Пространственные и динамические модели. Объемно – Пространственная Модель Пространственные и динамические модели

Существует модель, которая связывает и согласовывает между собой два, на первый взгляд далекие друг от друга описания человека – психофизическое и Трансперсональное. Модель эта имеет многовековую историю и опирается на глубокий исследовательский и практический опыт, передающийся непосредственно от Учителя к Ученику. На языке Традиции, представителями которой являются авторы данной книги, модель эта носит название Объемно – Пространственная Модель, (которая неоднократно упоминалась уже в первых главах). Имеются некоторые параллели Объемно – Пространственной Модели с другими древними описаниями человека (системой Чакр – “тонких” тел; “энергетических центров” – “планов сознания” и др.). К сожалению, серьезное исследование этих моделей сейчас, в большинстве случаев, подменено распространенным вульгарным представлением о Чакрах, как о неких пространственно – локализованных образованиях, а о “тонких” телах, как о своеобразной “матрешке”, состоящей из каких-то невидимых невооруженным глазом сущностей. Авторам известно лишь сравнительно небольшое число современных трезвых исследований этого вопроса [см., например, Йог №20 “Вопросы Общей теории Чакр” СПб 1994.]

Сложившаяся ситуация крайне невыгодна: критически мыслящие специалисты настроены к модели Чакр и “тонких” тел скептически, прочие же (иногда несмотря даже на длительный опыт работы психологом или психотерапевтом) становятся в один ряд с домохозяйками (не в обиду им сказано), посещающими курсы “экстрасенсорики”, и пополняют армию носителей легенд о Чакрах и “Телах”, распространяемых популярными брошюрами. Дело доходит иногда до комического оборота. Так, одному из авторов данной книги довелось несколько лет назад присутствовать на психологическом тренинге, с элементами “эзотерики”, где весьма авторитетный ведущий давал примерно такую инструкцию к одному из упражнений: “... А теперь, вы своей эфирной рукой поставьте “якорь” прямо клиенту в нижнюю Чакру...”, что большинство присутствующих сразу с энтузиазмом попытались осуществить (конечно, не далее, чем в своем воображении).

Далее мы не будем упоминать Чакры и Тела, а будем пользоваться языком Объемов и Пространств. Не следует, однако, проводить однозначное соответствие между Объемами и Чакрами, Пространствами и Телами; несмотря на некоторое сходство, модели эти отличаются; отличия, в свою очередь, связаны не с претензией на большую или меньшую правильность, а с удобством для той Практики, которую мы представляем на страницах данной книги.

Вернемся еще раз к определениям Объемов и Пространств, которые мы давали в главах 1 и 2:

Итак, Объемы – это не части физического тела и не некие локализованные области. Каждый Объем – Целостное психофизическое состояние, образование, отражающее некоторую (конгруэнтную) совокупность определенных качеств организма, как целого. Если говорить на энергетическом языке, то Объем – определенный диапазон энергии, который, при фокусировке восприятия на физическом мире, проявляется в сочетании тканей, органов, участков нервной системы и т.д. В довольно упрощенном варианте можно для каждого Объема найти наиболее характерную функцию и задачу, которую он выполняет в организме. . Так, функции Копчикового Объема можно связать с задачей выживания во всех его формах (физического, социального, духовного), проявления, рождения, становления... Функции Мочеполового Объема ассоциируются с процветанием, изобилием, плодородием, развитием и преумножением, многообразием и достатком... Для Пупочного Объема основные задачи (читай – диапазон энергии) – упорядочивание, структурирование, управление и связывание. И так далее. Нас будут пока интересовать не конкретные функции Объемов. а общие механизмы работы с ними.

Каждое переживание, любой опыт воспринимается нами преимущественно через тот или иной Объем. Это относится к любому опыту – если мы хотим активизировать то или иное переживание, то возбуждается тот или иной Объем и мы начинаем воспринимать Мир “через него”. Применительно к психотерапевтической работе – когда терапевт обращается к какому-то переживанию клиента: “проблемному” или “ресурсному”, пытается работать с некой “частью личности”, он, тем самым, фокусирует сознание пациента в какой-то области того или иного Объема (кстати, мы кратко упомянули функции только трех нижних Объемов потому, что реальная продуктивная фокусировка внимания в верхних Объемах – явление незаурядное – тут не все так просто, как описано в книжках). То же относится и к Пространствам. Напомним, что Пространства – схемы восприятия, отражающие уровни “тонкости” восприятия. Один и тот же Объем на разных уровнях восприятия будет проявляться по-своему, сохраняя свои основные задачи. Так, например, Пупочный Объем в Пространстве Событий проявляется через ряд ситуаций, в которых человек что-то с чем-то связывает, упорядочивает, управляет и т.п., в Пространстве Имен – тот же Объем проявится через схематизацию. моделирование, приведение в порядок мыслей и взглядов на Мир, построение планов и т.д., в Пространстве Отражений весь эмоциональный спектр тоже будет окрашен соответствующими этому Объему задачами.

Объемно-Пространственную Модель организма человека можно условно представить в виде схемы (Рис.3.)

Рис.3. Объемно-Пространственная Модель.

На схеме (Рис.3.) наглядно видно, что каждое Пространство охватывает весь спектр энергии на определенном уровне “тонкости”, где каждый Объем – это “сектор”, выделяющий определенный энергетический диапазон.

Итак – Объемно-Пространственная Модель позволяет в Человеке и в Мире, которые воспринимаются, как динамические энергетические структуры, выделить различные качества энергии. В восприятии эти качества энергии проявляются через определенное сочетание самых разнообразных факторов:

физиологических процессов (механических, тепловых, химических, электродинамических), динамике нервных импульсов, активизации тех или иных модальностей, окраске эмоций и мышления, сочетании событий, переплетении судеб; попадании в соответствующие “внешние” условия: географические, климатические, социальные, политические, исторические, культурные...

Энергопотоки.

Схема, приведенная на Рис.3. дает нам энергетическую модель организма человека. С этой точки зрения, всю жизнь человека, как проявление, оформление этой энергии или как динамику само-восприятия, можно представить в виде движения-пульсации некого “узора” на схеме, где в каждый момент времени активизируются те или иные области энергетического спектра (Рис.4.).

Однако динамика само-восприятия и движения энергии не так уж произвольны и многообразны для обычного человека. Существуют области, в которых восприятие, так сказать, зафиксировано и довольно устойчиво, некоторые области спектра доступны только изредка и при особом стечении обстоятельств. Существуют области, практически недоступные для осознания в течении всей жизни (для каждого человека разные: для одного человека недоступно переживание смысла, другой за всю жизнь так и не пережил по-настоящему свое тело, третий не в состоянии пережить определенное качество эмоций, событий, мыслей и т.п.).

Наиболее вероятная траектория движения и фиксаций восприятия и осознания определяется Доминантой. Становится понятно, что для того, чтобы оторваться от этой наиболее вероятной траектории и устойчивых позиций восприятия, нужна некая добавочная энергия и, что самое важное, умение направить эту энергию в нужном направлении, так, чтобы она не попала в наработанное стереотипное русло.

t’

t”

t”’

Рис.4. Динамика восприятия во времени.

Этим и объясняется наличие труднодоступных и недоступных для восприятия и осознания диапазонов – обычно у человека нет этой добавочной энергии; лишь иногда она может высвободиться в результате каких-либо чрезвычайных, чаще всего стрессовых, обстоятельств, что позволит восприятию сместиться в ранее недоступный диапазон (такое внезапное смещение восприятия может привести к появлению у человека каких-то новых способностей, недоступных в обычном состоянии).

Если мы вернемся к понятию Целостность, то теперь можно рассмотреть его еще с одной стороны: Реализация Целостности – это реализация Индивидуальной Сферы, т.е. ситуация, когда восприятие может свободно перемещаться, охватывая все диапазоны энергии, не имея жестко фиксированных позиций и однозначно заданных траекторий.

Для более детального описания этой ситуации нам потребуется обратиться к понятию Энергопотока. Энергопоток – движение, развитие точечного импульса восприятия в Объемно-Пространственной энергосистеме. Можно сказать еще и так: Энергопоток – динамическое соединение различных областей в Индивидуальной Сфере по общему энергодиапазону (например по одной модальности).

“Находясь в непрерывном диалоге с Миром, человек (И.С.) откликается практически на все сигналы, приходящие “извне” движением Энергопотоков. Причем чувствительность И.С. значительно выше порога восприятия органов чувств. Соответственно существует множество неосознанных реакций.

Особенности личной деформации И.С. создают постоянные характерные индивидуальные Энергопотоки. То, что мы осознаем, как ощущения, эмоции, мысли, движения тела и превратности судьбы, память, проекции будущего, болезни, особенности культуры и мировоззрения – все это (и многое другое) движение Энергопотоков.”

Можно условно выделить конструктивные и деструктивные Энергопотоки. Конструктивный Э. – динамика восприятия, способствующая устранению деформаций из И.С. – жестких, доминирующих структур. Деструктивный Э. – динамика восприятия, способствующая возникновению новых или подкреплению имеющихся деформаций И.С.

В свою очередь, динамикой Энергопотоков мы будем называть многофакторный динамический процесс, переводящий восприятие человека из одного состояния в другое (пример динамики Энергопотоков изображен на Рис.5.).

В Целостном организме возможны любые Энергопотоки, для которых он (организм) абсолютно прозрачен и проницаем. Динамика Энергопотоков может, в таких случаях, переводить восприятие в любое положение. (Это эквивалентно тому, что мы назвали сквозным Осознанием в Главе 1.).

Динамика Энергопотоков – процесс многофакторный, т.к. любое состояние проявляется в виде сочетания большого числа факторов (например, определенных ощущений, характера движений. мимики, параметров голоса, тех или иных эмоций и т.п.). Динамика Энергопотоков переводит одно состояние в другое (точнее сказать – это процесс – непрерывная смена состояний) и, соответственно, могут меняться какие-то факторы и параметры, через которые Энергопотоки проявляются.

Рис.5. Пример динамики Энергопотоков, переводящей восприятие из состояния с жестко локализованной структурой (А)в более Целостное (Д), в пределах одного Пространства

Если теперь обратиться к психотерапии, то мы обнаружим следующее:

Пациент находится в некотором состоянии восприятия (определяемом его Доминантой), которое, очевидно, не Целостно, в его энергетике имеются жестко локализованные структуры, что не дает возможности сдвигать восприятие в другие положения. Для выхода из такой ситуации необходимо задать Энергопотоки, позволяющие сместиться в другое состояние, которое пациент будет воспринимать, как более позитивное. На этом психотерапия, обычно, заканчивается.

Если посмотреть с более общих позиций, то окажется, что не‑пациент или вылечившийся пациент по большому счету мало чем отличается от “больного”. Отличие только в том, что “больной” воспринимает свое состояние, как дискомфортное, а “здоровый”– как более – менеекомфортное и, может быть, имеющее больше степеней свободы. Однако, к Целостности это не имеет никакого отношения, т.к. и состояние “больного” и “здорового” это, как правило, все равно ограниченные, локализованные и задаваемые Доминантой фиксации восприятия.

Целостность подразумевает возможность самостоятельного задания любых Энергопотоков и переживания Мира тотально, одномоментно всем организмом.

ЕСТЕСТВЕННЫЕ И ТЕХНИЧЕСКИЕ НАУКИ

УДК 519.673: 004.9

ИНТЕРПРЕТАЦИЯ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ПРОСТРАНСТВЕННОГО ДИНАМИЧЕСКОГО ОБЪЕКТА В КЛАССЕ ФОРМАЛЬНЫХ СИСТЕМ*

А.Я. Фридман

Институт информатики и математического моделирования КНЦ РАН

Аннотация

Рассматриваются вопросы моделирования сложных динамических объектов (СДО) в слабо формализованных предметных областях. Для предложенной ранее ситуационной концептуальной модели подобных объектов разработана интерпретация в классе семиотических формальных систем, что позволяет интегрировать различные средства исследования СДО, обеспечив совместную логико-аналитическую обработку данных и ситуационный анализ состояния изучаемого объекта с применением экспертных знаний и учетом пространственно-временных зависимостей в характеристиках СДО, выполняемые с использованием картографической информации.

Ключевые слова:

концептуальная модель, пространственный динамический объект, семиотическая формальная система.

Введение

В настоящей работе рассмотрены вопросы моделирования СДО в слабо формализованных предметных областях. Помимо структурной сложности, особенность СДО состоит в том, что результаты их функционирования существенно зависят от пространственных характеристик составных частей и от времени.

При моделировании СДО необходимо учитывать разнообразные информационные, финансовые, материальные, энергетические потоки, предусматривать анализ последствий изменения структуры объекта, возможных критических ситуаций и т.п. Принципиальная неполнота знаний о подобных объектах ограничивает применимость классических аналитических моделей и определяет ориентацию на использование опыта экспертов, что, в свою очередь, связано с созданием соответствующих средств формализации экспертных знаний и их встраиванием в систему моделирования. Поэтому в современном моделировании значительно возросла роль такого понятия, как концептуальная модель предметной области (КМПО) . Основа КМПО -не алгоритмическая модель передачи и преобразования данных, как в аналитических моделях, а декларативное описание структуры объекта и взаимодействия его составных частей. Таким образом, КМПО изначально ориентирована на формализацию знаний экспертов. В КМПО определяются элементы исследуемой предметной области и описываются отношения между ними, которые задают структуру и причинно-следственные связи, существенные в рамках определенного исследования .

Представленная в данной работе ситуационная система моделирования (ССМ) на основе древовидной ситуационной концептуальной модели (СКМ) есть один из вариантов

* Работа частично поддержана грантами РФФИ (проекты № 13-07-00318-а, № 14-07-00256-а,

№ 14-07-00257-а, № 14-07-00205-а, № 15-07-04760-а, № 15-07-02757-а).

реализации технологий типа CASE (Computer Aided Software Engineering) и RAD (Rapid Application Development).

Семиотические формальные системы

Основное достоинство логических исчислений в качестве модели представления и обработки знаний заключается в наличии единообразной формальной процедуры доказательства теорем. Однако оно влечет за собой и основной недостаток данного подхода -сложность использования при доказательстве эвристик, отражающих специфику конкретной проблемной среды . Это особенно важно при построении экспертных систем, вычислительная мощность которых в основном определяется знаниями, характеризующими специфику предметной области. К другим недостаткам формальных систем следует отнести их монотонность (невозможность отказаться от заключений, если становится истинным дополнительный факт, и в этом смысле они отличаются от рассуждений на основе здравого смысла), отсутствие средств для структурирования используемых элементов и недопустимость противоречий.

Стремление устранить недостатки формальных систем при их использовании в искусственном интеллекте привело к появлению семиотических систем, формализуемых восьмеркой :

S::= (В, F, A, R, Q(B), Q(F), Q(A), Q(R)). (1)

В (1) первые четыре компонента те же, что и в определении формальной системы , а остальные компоненты - правила изменения первых четырех компонентов под влиянием накапливаемого в базе знаний опыта о строении и функционировании сущностей в данной проблемной среде. Теория подобных систем находится на начальной стадии развития, но существует много примеров решения конкретных задач в рамках этой парадигмы. Ниже описывается один из таких примеров.

Основы ситуационного моделирования

При постановке задачи и подготовке процесса моделирования КМПО предназначена для представления знаний о структуре исследуемой предметной области. Для элементов КМПО существует соответствие между собственно объектом реального мира и его модельным представлением. В обеспечение возможности автоматизации последующих этапов моделирования осуществляется отображение модели предметной области на адекватную ей формальную систему. Этот переход реализуется в ходе построения КМПО путем задания каждому ее элементу некоторого формального описания. В результате, завершение построения КМПО будет соответствовать переходу от неформальных знаний об исследуемой предметной области к их формальному представлению, допускающему только однозначную процедурную трактовку. Полученная формальная модель носит декларативный характер, так как в ней описывается в первую очередь состав, структура и отношения между объектами и процессами, независимо от конкретного способа их реализации в компьютере.

Декларативный язык описания СКМ состоит из двух частей: части, соответствующей объектам описываемого мира, и части, соответствующей отношениям и атрибутам представленных в модели объектов. В качестве математической основы декларативного языка использована аксиоматическая теория множеств.

В СКМ описываются три вида элементов (сущностей) реального мира - объекты, процессы и данные (или ресурсы). Объекты отображают организационную и пространственную структуру объекта исследования, с каждым из них может быть связан набор процессов. Под процессом понимается некоторое действие (процедура), преобразующее подмножество данных, называемых входными по отношению к рассматриваемому процессу, в другое их подмножество,

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

именуемое выходным. Данные характеризуют состояние системы. Они используются при реализации процессов, служат результатами их выполнения. Выполнение любого процесса изменяет данные и соответствует переходу системы из одного состояния в другое. Взаимосвязи и взаимодействие объектов реального мира описывается в модели с помощью отношений, задаваемых на множествах объектов, процессов и данных. Каждое отношение связывает элемент модели с некоторым множеством других элементов.

Имена элементов СКМ даются в терминах предметной области. Каждому элементу модели назначается исполнитель, обеспечивающий его реализацию в ходе моделирования. Тип исполнителя определяет характеристики реализации, например, язык программирования, на котором пишется исполнитель соответствующего процесса, и тип исполнителя в алгоритмическом языке.

Атрибуты, описывающие тип отношения иерархии , конкретизируют представление объектов модели на следующем, нижнем уровне иерархии. Тип отношения «композиция» (&) определяет, что объект строится агрегацией его подобъектов. Тип «классификация» (v) указывает, что объект верхнего уровня есть обобщение группы объектов нижнего уровня. Отношение типа «классификация» в СКМ используется для представления различных вариантов элемента верхнего уровня. Тип «итерация» (*) позволяет определять в СКМ итеративные процессы и описывать регулярные структуры данных.

В зависимости от типа отношения иерархии объекту назначается управляющее данное. Управляющие данные используются для доопределения структуры процессов, имеющих тип отношений иерархии «классификация» или «итерация», и данных, имеющих иерархическое отношение типа «итерация».

Формальное представление СКМ дает возможность существенно автоматизировать анализ корректности структуры и разрешимости СКМ .

Важный аспект эффективности СКМ состоит в удобстве представления результатов моделирования. В настоящее время наиболее перспективной средой для компьютеризованного исследования объектов класса СДО считается географическая информационная система (ГИС) . Кроме продвинутых способов визуализации и графической обработки данных, инструментальные средства ГИС в принципе позволяют ставить задачи для пространственно координированных расчетов в дружественной к пользователю графической среде, хотя это требует дополнительных разработок программного обеспечения. Кроме того, ГИС-пакеты не рассчитаны на анализ динамики объекта и серьезную математическую обработку данных.

Еще одно достоинство ГИС в рамках рассматриваемой задачи заключается в том, что с каждым графическим элементом можно связать дополнительные поля БД, доступные для модификации внешними вычислительными модулями, в отличие от графических атрибутов. В частности, в этих полях можно хранить атрибуты концептуальной модели, относящихся к заданному элементу, и другие параметры, необходимые для организации и проведения моделирования.

Таким образом, каждый цикл расчетов в ходе моделирования включает три стадии: задание условий расчета, собственно расчет и вывод результатов. Неформальная цель разработки СКМ заключается в автоматизации всех этих стадий с обеспечением максимального сервиса непрограммирующему пользователю, то есть с использованием терминологии предметной области и дружественного интерфейса пользователя с компьютером. По тем же соображениям ССМ должна быть функционально полной, то есть предоставлять пользователю все нужные ему средства без явного выхода в другие программные среды. Создание специализированных графических библиотек и средств генерации отчетов потребовало бы неоправданных затрат на программирование и значительно удлинило сроки разработки. Поэтому представляется целесообразным компромиссное решение: возложить задачи вывода данных на стандартные пакеты или специализированные программные модули, но в максимальной степени автоматизировать их работу, исключив диалог с пользователем в их среде.

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Интерпретация концептуальной модели...

Формальное описание СКМ

СКМ базируется на представлении объекта моделирования в виде древовидного И-ИЛИ графа, отображающего иерархическую декомпозицию структурных элементов СДО в соответствии с их организационными связями.

Чтобы избежать вычислительных проблем, связанных с малыми изменениями данных, и обеспечить поддержку совместной расчетно-логической обработки данных, в СКМ выходными данными процедур обработки (исключение составляют данные, вычисляемые ГИС) могут быть только данные с дискретным конечным множеством значений (типа списков). Если значения некоторого данного есть строковые константы, то такое данное называется параметром (категория PAR), а имеющее числовые значения именуется переменной (категория VAR), и над ним можно выполнять определенные математические операции. Если результат вычислений представляет собой значение переменной, он округляется до ближайшего значения из списка допустимых значений. В дальнейшем, если сказанное относится к данным любого разрешенного в СКМ типа, употребляется термин «данное». Таким образом, множество имен данных делится на множества имен переменных и параметров:

D::=< Var, Par >, Var::= {var }, i = 1, N ;

7 7 к l 7 v 7 (2)

Par::={parj}, j = 1, Np, где Nv и Np - мощности этих множеств.

Данные моделируют ресурсы (количественные характеристики) объектов или процессов (категория RES), переменные могут также использоваться как настроечные параметры функций (критериев) качества функционирования элементов СКМ (категория ADJ). Соответственно, множество имен переменных делится на подмножество имен ресурсов элементов СКМ и подмножество имен настроечных параметров критериев качества этих элементов:

Var::=< Res, Adj > (3)

Отдельную категорию (категорию GIS) составляют графические характеристики объектов СКМ, непосредственно вычисляемые в ГИС. Все они относятся к переменным, но не рассматриваются как списки, так как используются только как входные ресурсы элементов модели и не меняются в ходе имитации.

Объекты СКМ имеют три основные характеристики: имя, функциональный тип, который определяет структуру и функции объекта и используется в процессе анализа корректности СКМ, и имя суперобъекта, доминирующего данный объект в СКМ (отсутствует для объекта верхнего уровня). По положению в дереве объектов и на карте выделяются три категории объектов СКМ: примитивы (категория LEAF), структурно неделимые с точки зрения глобальной цели моделирования, элементарные объекты (категория GISC), географически связанные с одним ГИС-элементом (полигоном, дугой или точкой какого-либо покрытия), и составные объекты (категория COMP), состоящие из элементарных и/или составных объектов. Структура объектов категории GISC в СКМ может быть достаточно сложной, но все их подобъекты имеют одну и ту же географическую привязку. Множество объектов образует иерархию:

О = {а 0Уа}::=2°а, (4)

где а = 1, Nl - номер уровня дерева объектов, к которому относится данный объект (L - общее количество уровней декомпозиции);

вб = 1, Nб - порядковый номер объекта на его уровне декомпозиции;

г = 1, N6_ - порядковый номер суперобъекта, доминирующего заданный элемент на вышележащем уровне;

Об - множество объектов, принадлежащих уровню с номером а.

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

Для обеспечения связности СКМ принимается, что существует единственный суперобъект, доминирующий все объекты первого уровня декомпозиции, то есть справедливо соотношение:

O. -i0.”} 0, = (5)

Процессы в СКМ отображают преобразования данных и реализуются различными способами в зависимости от присвоенной процессу одной из трех следующих категорий: внутренние процессы (категория INNER), все их входные и выходные данные относятся к одному объекту; внутриуровневые процессы (категория INTRA), связывающие объекты СКМ, не подчиняющиеся друг другу; межуровневые процессы (категория INTER), описывающие передачу данных между объектом и подобъектами или между объектом и суперобъектом. Введенное категорирование процессов несколько усложняет процесс создания СКМ (в некоторых случаях может потребоваться создавать фиктивные процессы, обеспечивающие такую типизацию), но позволяет сделать процедуры формального контроля СКМ значительно более полными и детальными.

Основные характеристики процессов: уникальное имя, характеристика исполнителя процесса и функциональный тип процесса, который определяет тип преобразований, им осуществляемых, и используется в процессе анализа корректности СКМ; дополнительно используются список входных и выходных данных и их допустимых граничных значений. Исполнитель процесса специфицирует его динамические свойства и способ реализации в компьютере. Исполнитель можно задать либо непосредственно (в виде разностного уравнения), либо косвенно - ссылкой на имя реализующего этот процесс программного модуля.

Схема концептуальной модели образуется кортежем:

^ССМ::=<о,P,DCM,H,OP,PO,U >, (6)

где O - множество объектов КМПО (9);

P::= {pn I n = 1, Np - множество процессов КМПО;

DCM с D - множество данных концептуальной модели, где D определено в (4), (5);

H - отношение иерархии объектов, которое с учетом (4) и (5) примет вид:

где Hб с O6х B,(O6) - отношения иерархии для каждого из уровней дерева объектов, причем b"(o6) есть разбиение множества Оа;

OP с O х B (P) - отношение «объект - порождающие его выходные данные процессы», причем B (P) есть разбиение множества P;

PO с P х B(О) - отношение «процесс - создающие его входные данные объекты»;

U::= Up иU0 - отношение, формализующее управление процессом вычислений на основе СКМ, имеет составляющие следующего вида:

U с P х B(Res) - отношение «процесс - управляющее данное»;

Uo с О х B(Res) - отношение «объект - управляющее данное».

Отношение «объект (процесс) - управляющее данное» ставит в соответствие некоторому объекту (процессу) модели данное, которое доопределяет этот объект при переходе к алгоритмической интерпретации. Передача данных между объектами осуществляется только через списки входных и выходных данных этих объектов, что согласуется с принципами инкапсуляции данных, принятыми в современном объектно-ориентированном программировании. Все процессы, приписанные к одному объекту, описываются отношением OA с О х B(P) «объект - приписанные к нему процессы». Это отношение не входит в схему

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Интерпретация концептуальной модели...

СКМ, поскольку, в отличие от отношений Н, ОР и РО, не задается пользователем при конструировании модели, а формируется автоматически.

Отношения, определенные в модели, удобно представлять в форме функций (7), частично определенных на множествах О и Р, с областями значений В(Р), B(O) или В"(Об). Названия

функций обозначены строчными символами, соответствующими прописным символам в названиях отношений:

h:°б_1 ^B"(Oa),(Vo;. е06,Vo! е°б_Hoj = hб(o))оojHbог); op . O ^ B(p^ (Vo е O, Vp е р)({р; = opio)) «■ o,Opp]);

Po.p ^ b(0), (vo е O, VP] е p)((o = po(P])) « P]OPot);

oa: O ^ B(P),(VOi е O, Vp} е P)((p} = oa(ot))otOAp});

: p ^ B(Res\(vPi е p, Vres] е Res)((res] = up (pi)) ptUpres]);

: O ^ B(Res), (Vo1 е O, VreSj е Res){(resj = uo (o1)) o1Uo resj).

Множества значений функций (7), формирующие сечения областей значений введенных отношений по некоторому элементу областей их определения, обозначаются жирным шрифтом:

h6 (oi)::= \Р] : o] = ha(oi)}; oP(oi) ::= \Р] : Р] = oP(oi)};

ро(Р]) ::= {o: oi = po(p])}; oci(pi) ::= ^ . p} = oa(oi)}; (8)

up (Pi) ::= \res]: res] = up (Pi)}; uo (o) ::= \res]: res] = uo (o)}.

Аналогично (8) записываются сечения введенных отношений по подмножествам их областей определения, строящихся как объединения всех сечений по элементам этих подмножеств. Например, h (Oi), где Oi с O6_х, есть множество объектов уровня а, доминируемых данным подмножеством объектов oj е O t, которые находятся на уровне а - 1.

Ниже также используется множество подчиненности объекта oi h ’(oi)::= U h(oi).

Разработанные алгоритмы присвоения категорий элементам СКМ используют вышеописанные отношения и выявляют все возможные ошибки категоризирования элементов модели . Процедуры контроля правильности назначений исполнителей элементов СКМ используют следующие ограничения (доказательства даны в ).

Теорема 1. В конечной СКМ не может иметь места рекурсивная декомпозиция типов исполнителей объектов, то есть ни один объект, входящий во множество подчиненности некоторого объекта, не может иметь исполнителя того же типа, что и исходный объект.

Теорема 2. В конечной СКМ не может иметь места инверсия подчиненности исполнителей объектов, то есть ни один объект, входящий во множество подчиненности некоторого объекта с исполнителем типа е1, не может иметь исполнителя того же типа, что и любой другой объект, во множестве подчиненности которого содержится какой-либо объект с исполнителем типа е1.

Принципы контроля разрешимости СКМ

Выполненное согласно принятым в ССМ правилам построение корректной модели еще не гарантирует, что эта модель разрешима, то есть можно решить все задачи, в ней декларированные. Под разрешимостью в общем случае понимается достижимость некоторого подмножества объектов модели, которые определяются как целевые, из другого подмножества объектов, которые определяются как исходные. Разрешимость может рассматриваться в двух основных аспектах: при анализе всей модели в целом (до начала расчетов) она подразумевает согласованность и однозначность описания всех допустимых вариантов достижения глобальной цели на различных уровнях иерархии, а в процессе

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

реализации моделирования разрешимость состоит в обеспечении выбора корректного фрагмента модели, описывающего изучаемую ситуацию. Функциональное различие между перечисленными аспектами состоит в том, что при анализе всей модели оценивается только потенциальная возможность моделирования всех описанных в модели объектов, а при анализе конкретной ситуации дополнительно ставятся задачи выбора минимального фрагмента, описывающего эту ситуацию, и количественного сопоставления возможных альтернатив, в ней содержащихся. Второй аспект разрешимости исследуется в , здесь же представлены особенности анализа разрешимости СКМ в целом, который автоматически проводится после завершения контроля ее корректности, а по требованию пользователя может быть выполнен в любое время. В общем случае, задачу анализа разрешимости можно сформулировать в следующем виде: указывается два множества элементов модели - исходное и целевое, при этом модель разрешима, если существует последовательность шагов, позволяющая получить целевое множество из исходного. Для этого пригодны простые волновые алгоритмы .

При анализе обоих аспектов разрешимости концептуальная модель рассматривается как формальная система. В ее алфавит входят:

символы, обозначающие элементы модели (pi, on, resj, ...);

функциональные символы, описывающие отношения и связи между элементами модели (ha, ор,...);

специальные и синтаксические символы (=, (,), ^,...).

Множество формул в рассматриваемой формальной системе образуют: собственно символы, обозначающие элементы КМПО:

{Pi е P} u {Oj eO] u {resk e DCM}; (9)

выражения (7), (8) и другие формулы для вычисления функций и множеств, определяемых с помощью отношений, которые введены над множествами (5);

выражения вычислимости для каждого процесса концептуальной модели:

list_in(pi) \ list out(pi), Up(pi) [, sp)] ^ p„ list_out(p,), (10)

где в силу принятого в ССМ предположения об автономности структуры каждого объекта во множество s(p) процессов, предшествующих pi, могут входить только процессы, приписанные к тому же объекту:

s(pi) с оа(оа"1(р1)); (11)

выражения вычислимости для каждого объекта концептуальной модели: list_in(oi), up(Oj), оа(о,), h(o,) ^ oi, list_out(oi); (12)

выражения вычислимости входных данных каждого объекта концептуальной модели, получающего материальные ресурсы от других объектов (ог: oo(o) Ф 0):

00(0,) ^ list_in(oi). (13)

В выражения (9)-(13) входят только материальные ресурсы, то есть в них не анализируются выходные данные процессов настройки и обратной связи, относящиеся к информационным ресурсам СКМ. Кроме того, вычислимость определенных в предпосылках этих выражений множеств констатируется при условии вычислимости всех элементов указанных множеств.

Дополнительного обоснования требует первая предпосылка предложения (10). Как известно, при наличии циклов по ресурсам в предметной области могут появляться данные, которые при построении концептуальной модели должны декларироваться как входные и выходные для некоторого процесса КМПО одновременно. По принятому в ССМ предположению такие циклы вносятся внутрь объектов КМПО, то есть должны учитываться при анализе разрешимости на уровне процессов.

Если при анализе разрешимости СКМ использовать выражение вычислимости, предложенное в и принимающее для СКМ вид:

list_in(p,) & up(p,) [& s(p,)] ^ p, & list_out(p,), (14)

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Интерпретация концептуальной модели...

то в модель нельзя будет включать ресурсы, служащие одновременно входными и выходными данными одного и того же процесса, то есть описывать часто встречающиеся на практике рекуррентные процессы вычислений. Выход из положения дает приведенная ниже теорема, доказанная в работе .

Теорема 3. Ресурс, одновременно входной и выходной для одного и того же процесса СКМ и не являющийся выходным ни для одного из предшествующих ему процессов, связанных с указанным процессом отношением порождения процессов (13), можно исключить из левой части предложения вычислимости без нарушения корректности анализа разрешимости модели.

Во множество аксиом рассматриваемой формальной системы входят:

аксиомы вычислимости всех ресурсов, относящихся к внешним данным (имеющим исполнителей типа DB, GISE или GEN)

|- resj: (ter(resj) = DB) v (ter(resj) = GISE) v (tS[(resJ) = GEN); (15)

аксиомы вычислимости всех ГИС-элементов СКМ (типы которых начинаются символами dot, pol или arc)

|- 0J: <х> dot) v (to(o/) Ю pol) V (to(oj) Ю arcX (16)

где символом условно обозначено вхождение стандартных ГИС-типов в функциональный тип объекта.

В рассматриваемой формальной системе заданы два правила вывода:

правило непосредственного следования -

Fi, Fi ^ F2 |- F2; (17)

правило следования с равенством -

Fi, Fi = F2, F2 ^ F3 |- F3, (18)

где F, - некоторые формулы из (9)-(13).

Структура описанной формальной системы аналогична структуре системы, предложенной в . Существенное отличие - вид выражений вычислимости (10), (12), (13) и состав аксиом, на основе которых проводится анализ разрешимости концептуальной модели.

Совокупность представленных в СКМ знаний о предметной области может быть признана корректной, если на различных уровнях иерархии в концептуальной модели действительно представлены взаимосогласованные спецификации объектов и процессов, обеспечивающих корректное порождение ресурсов для функционирования объектов вышележащих уровней. Соответствие спецификаций на всех уровнях ведет к тому, что концептуальная модель полностью характеризует корневой объект, соответствующий глобальной задаче, которую решает система в целом. Концептуальная модель разрешима , если в соответствующей ей формальной системе существует вывод каждой теоремы вычислимости из множества аксиом и других теорем.

Определение 1. СКМ разрешима тогда и только тогда, когда для каждого элемента модели, не входящего во множество аксиом, применение выражений вычислимости вида (10), (12), (13) к аксиомам и уже доказанным формулам (множеству теорем T) позволяет построить вывод с применением правил (17), (18) из множества аксиом (A) формальной системы (9)-(13).

При анализе разрешимости, который, согласно определению 1, представляет собой разновидность методов автоматического доказательства теорем, используется понятие «механизм вывода», в данном случае оно понимается как способ, алгоритм применения правил вывода (17), (18), обеспечивающий эффективное доказательство всей требуемой совокупности формул из множества T теорем (то есть синтаксически правильно построенных формул) рассматриваемой формальной системы. Наиболее простой способ организации вывода -«потоковый» механизм, при котором множество считающихся доказанными формул A", вначале равное множеству аксиом (A1 = A), расширяется в результате применения правил вывода . Если по истечении некоторого времени T с A", то модель разрешима, если это неверно и не удается применить ни одно из правил, то СКМ неразрешима.

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

В качестве стратегии доказательства, используемой при анализе концептуальной модели общего вида, предложена стратегия снизу-вверх , состоящая в циклическом выполнении следующих этапов.

Этап I. Применяется правило (17) для получения всех возможных следствий из формул и аксиом.

Этап II. Применяются правила (17), (18) для получения всех возможных следствий из аксиом и полученных на предыдущем этапе доказательства формул.

Этап III. Применяется правило (13) для расширения списка считающихся вычислимыми объектов.

Доказано, что для построенных по описанным выше правилам корректных концептуальных моделей анализ разрешимости модели в целом сводится к анализу разрешимости отдельных входящих в ее состав шаблонов процессов категории INTRA и процессов агрегирования .

Обработка ситуаций

В теории ситуационного управления отмечается принципиальная важность разработки процедур обобщения описаний ситуации на основе их классификации с использованием множества прагматически важных признаков, которое само подлежит синтезу. К фундаментальным особенностям формирования понятий и классификации в ситуационном управлении отнесены:

Наличие процедур обобщения, основанных на структуре отношений между элементами ситуаций;

Возможность работы с именами отдельных понятий и ситуаций;

Необходимость согласования классификации ситуаций по некоторому основанию с классификацией на множестве воздействий (управлений).

Для реализации перечисленных принципов классификации и обобщения ситуаций в ССМ предусмотрен ряд программных средств:

Аппарат синтеза и анализа типов ситуаций, в частности, оптимальных достаточных ситуаций, ориентированный на решение вопросов координации и согласования управляющих воздействий на различных уровнях СКМ;

Инструментальные средства порождения и проверки гипотез о сравнительных характеристиках достаточных ситуаций в рамках вероятностной интерпретации этих гипотез с учетом влияния инструментальных погрешностей исходных данных на результаты моделирования;

Процедуры обобщения описаний ситуаций с учетом пространственно-временных отношений между элементами ситуаций, использующие библиотеку пространственновременных функций (ПВФ).

Синтез и анализ типов ситуаций. В результате классификации ситуаций по разработанным для ССМ алгоритмам генерируется большое количество классов ситуаций, полученных для различных объектов принятия решений (ОПР) и различных листьевых объектов фрагментов. С целью аккумуляции знаний о результатах классификации в ССМ предлагается использовать средства обобщения описаний ситуаций по синтезированным типам этих ситуаций. Этот способ конкретизирует общие рекомендации по построению иерархического описания ситуаций в системах ситуационного управления . Аналогично описанию полной ситуации обобщенное описание каждой достаточной ситуации строится на основе перечисления входящих в нее листьевых объектов и ОПР, что однозначно ее определяет ввиду древовидности декомпозиции объектов СКМ. Для синтеза обобщенного описания ситуации на первом уровне иерархии описаний применяется та же процедура, которая обеспечивает генерирование типов исполнителей объектов по типам приписанных к ним процессов . Исходные данные в ней -типы листьевых объектов и ОПР исследованных достаточных ситуаций, а результат работы -

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Интерпретация концептуальной модели...

уникальный тип достаточной ситуации, дополненный порядковым номером ее класса и ее номером в этом классе. В отличие от лексикографического порядка, который используется при генерации типов исполнителей объектов, здесь типы объектов, входящих в ситуацию, упорядочиваются по их положению в дереве объектов (4). Порядковый номер класса определяется номером ресурса, доминирующего в этом классе, согласно списку выходных ресурсов ОПР, а порядковый номер ситуации в пределах класса задается ее предпочтительностью . Оптимальная достаточная ситуация данного класса получает номер 1. Абсолютной шкалой классификации ситуаций естественно считать их классификацию по глобальному критерию качества, то есть по принадлежности к тому или иному классу ситуаций, обеспечивающих доминирование одного из выходных параметров глобального объекта СКМ по обобщенным затратам , которые рассчитаны по критерию качества ОПР этой достаточной ситуации. Первым ключом при построении типа ситуации выбран ее порядковый номер в пределах класса, затем идет номер ОПР, затем - индексы типов списка листьевых объектов, а в конце - номер класса. Описанный порядок индексации использован для удобства формирования запросов типа: «Найти среди оптимальных достаточных ситуаций некоторого заданного уровня ситуацию, составляющую подграф такой-то глобальной оптимальной ситуации», которые типичны при решении задач координации управлений на различных уровнях принятия решений.

Задача обобщения описаний ситуаций в ССМ на основе типов ситуаций включает два основных этапа: поиск общих признаков ситуаций, попавших в один класс для каждого исследованного фрагмента КМПО, и поиск вхождений ситуаций в ситуации более высоких уровней (высота уровня здесь задается уровнем нахождения ОПР). Общая схема рассуждений при обобщении вполне вписывается в идеологию ДСМ-метода . Однако программная реализация ДСМ-метода в ССМ потребовала бы весьма значительных объемов программирования, поэтому был применен вероятностный механизм вывода, реализованный в оболочке ОЭС ССМ , то есть вместо оценок обоснованности тех или иных гипотез, вычисляемых согласно ДСМ-методу, использованы специальные функции пересчета условных вероятностей причинно-следственных связей между конфигурациями достаточных ситуаций и результатами их классификации.

Как следует из изложенного способа типизации ситуаций в ССМ, описания достаточных ситуаций, классифицированных по одному фрагменту КМПО, качественно различаются списками своих листьевых объектов, которые все вместе образуют разбиение множества листьевых объектов использованной при построении фрагмента полной ситуации. Поэтому при обобщении их описаний в основном применяются метод сходства и метод различия, причем в качестве предпосылок используются подстроки конкатенации типов листьевых объектов. Результаты обобщения формируются в виде двух наборов правил, в первый включаются положительные примеры, во второй - отрицательные. По формулам, аналогичным пересчету априорных вероятностей в апостериорные , наличие положительных примеров приводит к повышению условной вероятности соответствующего правила, причем степень увеличения пропорциональна порядковым номерам ситуаций, использованных в данном примере, а наличие отрицательных примеров в той же степени уменьшает условную вероятность правила. После окончания первого этапа обобщения отбраковываются правила с вероятностью меньше 0.5.

На втором этапе обобщения отыскивается сходство между ситуациями различных уровней. Применяется тот же механизм обобщения, но синтезируемые правила отражают условные вероятности появления достаточных ситуаций нижних уровней декомпозиции в составе достаточных ситуаций более высоких уровней и, в частности, глобальных достаточных ситуаций путем оценки частости вхождения типов нижележащих ситуаций в типы вышележащих. Таким образом делается попытка сопоставить между собой классы ситуаций, составленные для ОПР различных уровней, что при достаточном количестве обучающих примеров позволяет составить

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

иерархическую классификацию достаточных ситуаций с указанием ситуаций, оптимальных для перевода объекта в некоторое состояние из заданного класса.

Еще одна группа правил ориентирована на оценку эффективности заложенных в КМПО альтернатив. Идея поиска заключается в следующем: степень эффективности той или иной альтернативы (как для процессов, так и для объектов) тем выше, чем шире набор классов ситуаций, в которые попадают достаточные ситуации с различными вариантами данной альтернативы. И обратно: если ни один из имеющихся вариантов выбора не меняет класс достаточной ситуации, то данная альтернатива не предлагается пользователю при расширении минимальных полных ситуаций, по крайней мере, для того же самого ОПР, что позволяет ускорить процесс классификации ситуаций. С другой стороны, желательно уметь заранее определять тот набор свойств, которыми обладают самые «радикально действующие» альтернативы, а точнее, несколько наборов - для каждого потенциально желательного варианта изменения областей доминирования.

Все полученные в ходе обобщения правила (по терминологии ситуационного управления они относятся к логико-трансформационным правилам) хранятся в ЭС ССМ и используются как управляющие формулы в процессе классификации ситуаций. Следует отметить еще одну особенность разработанного вероятностного механизма вывода - возможность снизить влияние погрешностей исходных данных на результаты обобщения ситуаций путем учета вероятности ошибочного отнесения ситуации к тому или иному классу. Рассмотрим основную идею его применения для повышения достоверности обобщения ситуаций.

При классификации достаточных ситуаций некоторого фрагмента СКМ могут возникать ошибки из-за структурной неустойчивости процесса вычисления затрат при их передаче между элементами модели. Например, если в КМПО допускаются циклы по ресурсам, то при изменении текущего значения какого-либо участвующего в цикле ресурса класс достаточной ситуации, где рассчитываются затраты по этому ресурсу, может значительно измениться, что, по мнению автора, нарушает устойчивость процедур классификации и обобщения. Такие ситуации предлагается отбраковывать из процедур обобщения, для чего в ССМ рекомендуется применять процедуры проверки зависимости результатов от возможных погрешностей моделирования. Если при анализе влияния погрешностей моделирования для некоторого ресурса СКМ выявлено превышение доли изменения затрат на выходе ОПР по сравнению с долей тестового изменения текущего значения ресурса, такой ресурс рассматривается как недостоверный, вероятность сбоя при его использовании для классификации принимается пропорциональной степени упомянутого превышения. Если вероятность сбоя превышает заданное пороговое значение (по умолчанию используется пороговая вероятность 0.3), то данный ресурс исключается из процедур классификации. В противном случае классификация ситуаций все же проводится, но с учетом вероятности сбоев, что в принципе приводит к снижению контрастности процедур классификации и, как следствие, к снижению вероятности включения ситуаций с участием недостоверного ресурса в категорию оптимальных или весьма предпочтительных.

Анализ пространственно-временных зависимостей. Работа с пространственно-временными зависимостями осуществляется с помощью библиотеки пространственно-временных функций (ПВФ) - программных модулей, обеспечивающих выборку из соответствующих баз исходных данных (БИД) релевантной информации для текущего запроса, занесение этой информации в основную БД и ее обработку для принятия решения об истинности или ложности условия, формирующего запрос. Поэтому в общем случае программа каждой ПВФ включает три части: драйвер БИД, организующий интерфейс основной БД и БИД, программу записи результатов запроса в основную БД и программу интерпретации результатов запроса. При этом изменение предметной области приводит к необходимости модифицировать только драйверы БИД.

Все ПВФ имеют выход логического типа, то есть возвращают ответ «да» или «нет» в результате анализа входящего в них логического условия. Разработаны два вида временных и три вида пространственных функций.

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Интерпретация концептуальной модели...

Временная функция ИНТЕРВАЛ поддерживает выборку ретроспективных данных за некоторый промежуток времени, ее синтаксис таков:

в_течение (<условие>,<начало>,<конец>,<доля>), (19)

где <условие> может иметь вид:

<имя> <знак> <подсписок_значений (n)>, (20)

оно определяет контролируемую характеристику элемента массива;

<начало> и <конец> задают соответственно начальный и конечный моменты интервала проверки (их отстояние в прошлое от текущего момента времени);

<доля> определяет минимальный допустимый процент (количество) элементов среди всех анализируемых, которые должны удовлетворять <условию>, чтобы функция (19) дала утвердительный ответ на запрос.

Если введено нулевое значение параметра <начало>, проводится анализ всей имеющейся информации до момента времени <конец>. Аналогично, при нулевом значении параметра <конец>, анализируются данные от момента <начало> до текущего момента времени. При совпадении величин <начало> и <конец> рассматривается только один момент времени в прошлом.

Следующая функция позволяет провести временную привязку хранимых данных

к заданному в запросе моменту времени:

момент (<условие>,<время>,<доля>), (21)

где <условие> и <доля> формируются аналогично функции (19), а <время> - фиксированный момент времени, для которого производится операция.

Пространственные функции записываются в форме:

соседние (<условие>,<доля>) (22)

сходные (<условие>,<доля>,<параметры_сходства>). (23)

Параметры <условие> и <доля> задаются как в функциях (19), (21); различие между видами пространственных функций заключается в критерии отбора элементов для совместного анализа: в функции (22) анализируются элементы, примыкающие к текущему геометрически, в функции (23) отбираются элементы, имеющие одинаковые с текущим элементом значения <параметров_сходства>, выбираемых из списка имен существующих параметров и переменных. Например, в приложении ССМ к задаче прогнозирования горных ударов <параметр_сходства> имел имя «разлом» и использовался для совместного анализа характеристик элементов объекта, принадлежащих к тектоническому разлому.

Функция БЛИЖАИШИИ предназначена для определения объекта, имеющего наиболее близкие пространственные координаты к заданным. Функция возвращает утвердительный ответ, если координаты объекта попадают в заданную окрестность. Функция имеет следующий вид:

ближайший (<условие>,<координаты>,<допуск>), (24)

где параметр <условие> имеет уже описанный смысл, параметр <координаты> описывает пространственные характеристики точки привязки, параметр <допуск> задает допустимое удаление по пространственным координатам от указанной точки.

ПВФ можно использовать только в частях ЕСЛИ правил и управляющих формул ЭС. Так как все ПВФ имеют выход логического типа, допускается однократная вложенность различных ПВФ друг в друга, то есть запросы вида

соседние (сходные (<условие>,<доля1>,<параметры_сходства>),<доля2>). (25)

При этом драйвер БИД генерирует запрос, по которому вначале отбираются элементы, удовлетворяющие самой внутренней ПВФ, затем из них отбираются удовлетворяющие более внешней, и т.д. Характеристики отобранных элементов переписываются в БД (эта информация используется в режиме объяснения), интерпретатор вычисляет выходное значение ПВФ, которое заносится в базу правил. Вложенные запросы представляют наибольший интерес, так как

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

А.Я. Фридман

позволяют путем комбинирования ПВФ оценивать совместно пространственные и временные характеристики исследуемого объекта.

Описанные выше ПВФ обеспечивают анализ достаточно широкого класса

пространственно-временны"х соотношений между характеристиками элементов объекта экспертизы, однако в зависимости от специфики предметной области возможна разработка и других ПВФ.

В отличие от правил, генерируемых при обобщении ситуаций по их типам, правила обобщения рассматриваемой здесь группы относятся не к ситуации в целом, а к отдельным объектам, процессам или даже ресурсам СКМ. В слоты ПВФ <условие>

и <параметры_сходства> можно включать логические условия и различные характеристики элементов СКМ, в том числе типы и категории этих элементов. В ССМ не предусмотрено автоматических процедур генерации подобных правил, они конструируются пользователем, и вероятности в них пересчитываются в ходе классификации аналогично изложенному выше.

Заключение

На основе введенных формальных определений различных видов ситуаций, возникающих при моделировании СДО, разработана его иерархическая модель, включающая: формальную систему - СКМ и интегрированную с ней ЭС - со множеством базовых элементов (7)-(10), набором синтаксических правил порождения одних элементов СКМ другими в виде отношений типа (7), (8), системой аксиом (15), (16) и правилами вывода (17), (18), а также правила изменения компонентов этой формальной системы в зависимости от целей моделирования и сложившейся на объекте исследования ситуации, задаваемые посредством выбора соответствующих фрагментов СКМ и управления выводом в ЭС ССМ. СКМ относится к семиотическим (знаковым) моделям, поскольку в ней разработаны три группы логикотрансформационных правил - пополнения, классификации и обобщения ситуаций.

Отличия предложенной модели состоят в интеграции средств, ориентированных на исследование СДО, что обеспечивает совместную логико-аналитическую обработку данных и ситуационный анализ состояния изучаемого объекта с применением экспертных знаний и учетом пространственно-временных зависимостей в характеристиках СДО, выполняемых с использованием картографической информации.

ЛИТЕРАТУРА

1. Кузьмин И.А., Путилов В.А., Фильчаков В.В. Распределенная обработка информации в научных исследованиях. Л.: Наука, 1991. 304 с. 2. Цикритзис Д., Лоховски Ф. Модели данных. М.: Финансы и статистика, 1985. 420 с. 3. Самарский А.А. Введение в численные методы. М.: Наука, 1987. 288 с. 4. Бржезовский А.В., Фильчаков В.В. Концептуальный анализ вычислительных систем. СПб.: ЛИАП, 1991. 78 с. 5. Фридман А.Я. Ситуационное управление структурой промышленно-природных систем. Методы и модели. Saarbrucken, Germany: LAP LAMBERT Academic Publishing, 2015. 530 с. 6. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. 288 с. 7. Митчел Э. Руководство ESRI по ГИС-анализу. 1999. Т. 1. 190 с.

8. Концептуальное моделирование информационных систем / под ред. В.В. Фильчакова. СПб.: СПВУРЭ ПВО, 1998. 356 c. 9. Автоматическое порождение гипотез в интеллектуальных системах / сост. Е.С. Панкратова, В.К. Финн. М.: ЛИБРОКОМ, 2009. 528 с. 10. Darwiche A. Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009. 526 p.

Фридман Александр Яковлевич - д.т.н., профессор, ведущий научный сотрудник Института информатики и математического моделирования КНЦ РАН; e-mail: fridman@iimm. kolasc.net.ru

ВЕСТНИК Кольского научного центра РАН 4/2015(23)

Информации

Особенности пространственно-временной

СВЯЗИ ПОКАЗАТЕЛЕЙ

МНОГОФАКТОРНЫЕ ДИНАМИЧЕСКИЕ МОДЕЛИ

Многофакторные динамические модели связи показателей строятся по пространственно-временным выборкам , которые представляют собой множество данных о значениях признаков совокупности объектов за ряд периодов (моментов) времени.

Пространственные выборки формируются путем объединения за ряд лет (периодов) пространственных выборок, т.е. совокупности объектов, относящихся к одинаковым периодам времени. Используются в случае небольших выборок, т.е. краткой предыстории развития объекта.

Динамические выборки образуются посредством объединения динамических рядов отдельных объектов в случае длительной предыстории , т.е. больших выборок.

Классификация способов формирования выборок условна, т.к. зависит от цели моделирования, от устойчивости выявленных закономерностей, от степени однородности объектов, от числа факторов. В большинстве случае преимущество отдается первому способу.

Динамические ряды с длительной предысторией рассматриваются как ряды, на основе которых можно строить модели взаимосвязи показателей различных объектов достаточно высокого качества.

Динамические модели связи показателей могут быть:

· пространственными, т.е. моделирующими связи показателей по всем объектам, рассматриваемым в определенный момент (интервал) времени;

· динамическими, которые строятся по совокупности реализаций одного объекта за все периоды (моменты) времени;

· пространственно-динамическими, которые формируются по всем объектам за все периоды (моменты) времени.

Модели динамики показателейгруппируют по следующим видам:

1) одномерныемодели динамики: характеризуются как модели некоторого показателя данного объекта;

2) многомерные модели динамики одного объекта: моделируют несколько показателей объекта;

3) многомерные модели динамики совокупности объектов: моделируют несколько показателей системы объектов.

Соответственно, модели связи используются для пространственной экстраполяции (для прогнозирования значений результативных показателей новых объектов по значениям факторных признаков), модели динамики – для динамической экстраполяции (для прогнозирования зависимых переменных).

Можно выделить основные задачи использования пространственно-временной информации.

1. В случае краткой предыстории: выявление пространственных связей между показателями, т.е. изучение структуры связей между объектами для повышения точности и надежности моделирования этих закономерностей.

2. В случае длительной предыстории: аппроксимация закономерностей изменения показателей в целях объяснения их поведения и прогнозирования возможных состояний.

Пространственное объединение отдельных элементов технического объекта широко распространенная задача проектирования в любой отрасли техники: радиоэлектроники, машиностроения, энергетики и т. д. Значительную частью пространственного моделирования доставляет визуализация отдельных элементов и технического объекта в целом Большой интерес представляют вопросы построения базы данных графических трехмерных моделей элементов, алгоритмы и программная реализация графических приложений для решения данной задачи.

Построение моделей элементов носит универсальный характер и может рассматриваться как инвариантная часть многих систем пространственного моделирования и автоматизированного проектирования технических объектов.

Независимо от возможностей используемой графической среды по характеру формирования графических моделей можно выделить три группы элементов:

1.Уникальные элементы, конфигурация и размеры которых не повторяются в других аналогичных деталях.

2.Унифицированные элементы, включающие некоторый набор Фрагментов конфигураций, характерных для деталей данного класса. Как правило, существует ограниченный ряд типоразмеров унифицированного элемента.

3.Составные элементы, включающие как уникальные, так и унифицированные элементы в произвольном наборе. Используемые графические средства могут допускать некоторую вложенность составных элементов.

Пространственное моделирование уникальных элементов не представляет большой сложности. Прямое формирование конфигурации модели выполняется в интерактивном режиме, после чего программная реализация оформляется на основе протокола формирования модели или текстового описания полученного элемента.

2.Поочередный выбор фрагментов пространственной конфигурации и определение их размеров;

3.Привязка графической модели элемента к прочим элемента, технического объекта или системы;

4.Ввод дополнительной информации о моделируемом элементе

Данный подход формирования моделей унифицированных элементов обеспечивает надежную программную реализацию.

Модель составных элементов состоит из совокупности модели как уникальных, так и унифицированных элементов. Процедурно модель составного элемента строится аналогично модели унифицированного элемента, в которой в качестве графических фрагменте: выступают готовые модели элементов. Основными особенностями являются способ взаимной привязки включаемых моделей и механик объединения отдельных фрагментов в составной элемент. Последнее определяется, главным образом, возможностями инструментальных графических средств.

Интеграция графической среды и системы управления базами данных (СУБД) технической информации обеспечивает открытость системы моделирования для решения других задач проектирования: предварительные конструкторские расчеты, подбор элементной базы, оформление конструкторской документации (текстовой и графической) и др. Структура баз данных (БД) определяется как требованиями графических моделей так и информационными потребностями сопутствующих задач. В качестве инструментальных средств возможно использовать любую СУБД, сопрягаемую с графической средой. Наиболее общий характер носит построение моделей унифицированных элементов. На первом этапе в результате систематизации номенклатуры элементов, однотипных по назначению и составу графических фрагментов, формируется гипотетический или выбирается существующий образец моделируемого элемента, обладающий полным набором моделируемых частей объекта.

Методы интерполяции по дискретно расположенным точкам.

Общая задача интерполяции по точкам формулируется так: дан ряд точек (узлов интерполяции), положение и значения характеристик в которых известны, необходимо определить значения характеристик для других точек, для которых известно только положение. При этом различают методы глобальной и локальной интерполяции, и среди них точные и аппроксимирующие.

При глобальной интерполяции для всей территории одновременно используется единая функция вычисления z = F(x,y) . В этом случае изменение одного значения (х, у) на входе сказывается на всей результирующей ЦМР. При локальной интерполяции многократно применяют алгоритм вычисления для некоторых выборок из общего набора точек, как правило, близко расположенных. Тогда изменение выбора точек сказывается лишь на результатах обработки небольшого участка территории. Алгоритмы глобальной интерполяции создают сглаженные поверхности с небольшим числом резких перепадов; они применяются в случаях, если предположительно известна форма поверхности, например тренд. При включении в процесс локальной интерполяции большой доли общего набора данных она, по сути, становится глобальной.

Точные методы интерполяции.

Точные методы интерполяции воспроизводят данные в точках (узлах), на которых базируется интерполяция, и поверхность проходит через все точки с известными значениями. анализ соседства, в котором все значения моделируемых характеристик принимаются равными значениям в ближайшей известной точке. В результате образуются полигоны Тиссена с резкой сменой значений на границах. Такой метод применяется в экологических исследованиях, при оценке зон воздействия, и больше подходит для номинальных данных.

В методе В-сплайнов строят кусочно-линейный полином, позволяющий создать серию отрезков, которые в конечном итоге образуют поверхность с непрерывными первой и второй производными. Метод обеспечивает непрерывность высот, уклонов, кривизны. Результирующая ЦМР имеет растровую форму. Этот метод локальной интерполяции применяется, главным образом, для плавных поверхностей и не годится для поверхностей с отчетливо выраженными изменениями - это приводит к резким колебаниям сплайна. Он широко используется в программах интерполяции поверхностей общего назначения и сглаживания изолиний при их рисовке.

В TIN-моделях поверхность в пределах каждого треугольника обычно представляется плоскостью. Поскольку для каждого треугольника она задается высотами трех его вершин, то в общей мозаичной поверхности треугольники для смежных участков точно прилегают по сторонам: образуемая поверхность непрерывна. Однако, если на поверхности проведены горизонтали, то в этом случае они будут прямолинейны и параллельны в пределах треугольников, а на границах будет происходить резкое изменение их направления. Поэтому для некоторых приложений TIN в пределах каждого треугольника строится математическая поверхность, характеризующаяся плавным изменением углов наклона на границах треугольников. Анализ трендов. Поверхность аппроксимируется многочленом и структура выходных данных имеет вид алгебраической функции, которую можно использовать для расчета значений в точках растра или в любой точке поверхности. Линейное уравнение, например, z = а + b х + су описывает наклонную плоскую поверхность, а квадратичное z = а + b х + су + dx 2 + еху + fy 2 -простой холм или долину. Вообще говоря, любое сечение поверхности т-го порядка имеет не более (т – 1) чередующихся максимумов и минимумов. Например, кубическая поверхность может иметь в любом сечении один максимум и один минимум. Возможны значительные краевые эффекты, поскольку полиномиальная модель дает выпуклую поверхность.

Методы скользящего среднего и среднего взвешенного по расстоянию используются наиболее широко, особенно для моделирования плавно меняющихся поверхностей. Интерполированные значения представляют собой среднюю величину значений для п известных точек, либо среднее, полученное по интерполируемым точкам, и в общем случае обычно представляются формулой

Аппроксимационные методы интерполяции.

Аппроксимационные методы интерполяции применяются в тех случаях, когда имеется некоторая неопределенность в отношении имеющихся данных о поверхности; в их основе лежит соображение о том, что во многих наборах данных отображается медленно изменяющийся тренд поверхности, на который накладываются местные, быстро меняющиеся отклонения, приводящие к неточностям или ошибкам в данных. В таких случаях сглаживание за счет аппроксимации поверхности позволяет уменьшить влияние ошибочных данных на характер результирующей поверхности.

Методы интерполяции по ареалам.

Интерполяция по ареалам заключается в переносе данных с одного исходного набора ареалов (ключевого) на другой набор (целевой) и часто применяется при районировании территории. Если целевые ареалы представляют собой группировку ключевых ареалов, сделать это просто. Трудности возникают, если границы целевых ареалов не связаны с исходными ключевыми.

Рассмотрим два варианта интерполяции по ареалам: в первом из них в результате интерполяции суммарное значение интерполируемого показателя (например, численности населения) целевых ареалов в полном объеме не сохраняется, во втором - сохраняется.

Представим, что имеются данные о численности населения для некоторых районов с заданными границами, и их нужно распространить на более мелкую сетку районирования, границы которой в общем не совпадают с первой.

Методика заключается в следующем. Для каждого исходного района (ключевого ареала) рассчитывают плотность населения путем деления общего количества проживающих на площадь участка и присваивают полученное значение центральной точке (центроиду). На основе этого набора точек с помощью одного из методов, описанных выше, интерполируется регулярная сетка, для каждой ячейки сети определяется численность населения путем умножения рассчитанной плотности на площадь ячейки. Интерполированная сетка накладывается на итоговую карту, значения по каждой ячейке относятся к границам соответствующего целевого ареала. Затем рассчитывается общая численность населения каждого из итоговых районов.

К недостаткам метода можно отнести не совсем четкую определенность выбора центральной точки; методы интерполяции по точкам неадекватны, и что важнее всего - не сохраняется суммарная величина интерполируемого показателя ключевых ареалов (в данном случае общей численности населения зон переписи). Например, если исходная зона разделена на две целевые, то общее количество населения в них после интерполяции не обязательно будет равно численности населения исходной зоны.

Во втором варианте интерполяции применяют способы ГИС-технологии оверлея или построения гладкой поверхности, основанного на так называемой адаптивной интерполяции.

В первом способе осуществляют наложение ключевых и целевых ареалов, определяют долю каждого из исходных ареалов в составе целевых, величины показателя каждого исходного ареала делят пропорционально площадям его участков в разных целевых ареалах. Считается, что плотность показателя в пределах каждого ареала одинакова, например, если показатель - это общее население ареала, то плотность населения считается для него постоянной величиной.

Целью второго способа является создание гладкой поверхности без уступов (значения атрибутов не должны резко изменяться на границах ареалов) и сохранение суммарной величины показателя в пределах каждого ареала. Методика его такова. На картограмму, представляющую ключевые ареалы, накладывают густой растр, общее значение показателя для каждого ареала поровну делится между ячейками растра, перекрывающими ее, значения сглаживают путем замены величины для каждой ячейки растра средним по окрестности (по окну 2×2, 3×3, 5×5) и суммируют значения для всех ячеек каждого ареала. Далее значения для всех ячеек корректируют пропорционально так, чтобы общее значение показателя для ареала совпадало с исходным (например, если сумма меньше исходного значения на 10%, значения для каждой ячейки увеличиваются на 10%). Процесс повторяют до тех пор, пока не. прекратятся изменения.

Для описанного метода однородность в пределах ареалов необязательна, но слишком сильные вариации показателя в их пределах могут отразиться на качестве интерполяции.

Результаты могут быть представлены на карте горизонталями или непрерывными полутонами.

Применение метода требует задания некоторых граничных условий, так как по периферии исходных ареалов элементы растра могут выходить за пределы области изучения или соседствовать с ареалами, не имеющими значения интерполируемого показателя. Можно, например, присвоить плотности населения значение 0 (озеро и т. п.) или принять ее равной значениям самых дальних от центра ячеек области изучения.

При интерполяции по ареалам могут возникнуть весьма сложные случаи, например, когда нужно создать карту, показывающую «ареалы расселения», на основе данных о населении отдельных городов, особенно если эти ареалы в масштабе карты показываются точкой. Проблема возникает и для небольших исходных ареалов, когда отсутствуют файлы границ, а в данных указывается только положение центральной точки. Здесь возможны разные подходы: замена точек, к которым приписаны данные, на круги, радиус которых оценивается по расстояниям до соседних центроидов; определение пороговой плотности населения для отнесения территории к городской; распределение населения каждого города по его территории так, что в центре плотность населения выше, а к окраинам уменьшается; по точкам с пороговым значением показателя проводят линии, ограничивающие заселенные территории.

Часто попытка создать непрерывную поверхность с помощью интерполяции по ареалам по данным, приуроченным только к точкам, приводит к неправильным результатам.

Пользователь обычно оценивает успешность применения метода субъективно и, главным образом, визуально. До сих пор многие исследователи используют ручную интерполяцию или интерполяцию «на глазок» (этот метод обычно невысоко оценивается географами и картографами, однако широко используется геологами). В настоящее время предпринимаются попытки «извлечь» познания экспертов с помощью методов создания баз знаний и ввести их в экспертную систему, осуществляющую интерполяцию.

ГЛАВА 1 АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ И СИСТЕМ ОБРАБОТКИ И РАСПОЗНАВАНИЯ ДИНАМИЧЕСКИХ ОБЪЕКТОВ ПО ПОСЛЕДОВАТЕЛЬНОСТЯМ ИЗОБРАЖЕНИЙ.

1.1 Изображение как носитель разнородной информации.

1.2 Классификация задач распознавания изображений.

1.3 Классификация методов оценки движения.

1.3.1 Анализ сопоставительных методов оценки движения.

1.3.2 Анализ градиентных методов оценки движения.

1.4 Классификация групп признаков.

1.5 Анализ методов сегментации движущихся объектов.

1.6 Методы интерпретации событий и определения жанра сцены.

1.7 Системы обработки и распознавания динамических объектов.

1.7.1 Коммерческие аппаратно-программные комплексы.

1.7.2 Экспериментально-исследовательские программные комплексы.

1.8 Постановка задачи пространственно-временной обработки последовательностей изображений.

1.9 Выводы по главе.

ГЛАВА 2 МОДЕЛИ ОБРАБОТКИ И РАСПОЗНАВАНИЯ СТАТИЧЕСКИХ И ДИНАМИЧЕСКИХ ОБРАЗОВ.

2.1 Модель обработки и распознавания статических образов.

2.2 Модель обработки и распознавания динамических образов.

2.3 Дескриптивная теория распознавания изображений.

2.4 Расширение дескриптивной теории распознавания изображений.

2.5 Обобщенные модели поиска целевых признаков при обработке и распознавании динамических объектов в сложных сценах.ИЗ

2.6 Выводы по главе.

ГЛАВА 3 НАХОЖДЕНИЕ И ОЦЕНКА ЛОКАЛЬНЫХ ПРИЗНАКОВ ДВИЖЕНИЯ5 ДИНАМИЧЕСКИХ РЕГИОНОВ.119

3.1 Условия и ограничения усовершенствованного метода обработки последовательностей изображений.

3.2 Оценка локальных признаков движения.

3.2.1 Стадия инициализации.

3.2.2 Оценка пространственно-временного объема данных.

3.2.3 Классификация динамических регионов.

3.3 Способы нахождения локальных движений регионов.

3.3.1 Нахождение и отслеживание особых точек сцены.

3.3.2 Оценка движения на основе 3D тензора потока.

3.4 Уточнение границ движущихся регионов.

3.5 Выводы по главе.

ГЛАВА 4 СЕГМЕНТАЦИЯ ДИНАМИЧЕСКИХ ОБЪЕКТОВ В СЛОЖНЫХ СЦЕНАХ.

4.1 Модель многоуровневого движения в сложных сценах.

4.2 Модели оценки движения на плоскости.

4.3 Исследование свойств группы Ли.

4.4 Изоморфизмы и гомоморфизмы группы.

4.5 Модель предыстории движения объектов в последовательностях изображений.

4.6 Сегментация сложной сцены на пространственные объекты.

4.6.1 Предсегментация.

4.6.2 Сегментация.

4.6.3 Пост-сегментация.

4.7 Отображение ЗБ движения точки на видеопоследовательностях.

4.8 Выводы по главе.

ГЛАВА 5 РАСПОЗНАВАНИЕ ДИНАМИЧЕСКИХ ОБЪЕКТОВ, АКТИВНЫХ ДЕЙСТВИЙ И СОБЫТИЙ СЛОЖНОЙ СЦЕНЫ.

5.1 Построение контекстной грамматики:.

5.1.1 Формирование деревьев грамматического разбора.

5.1.2 Синтаксический анализ последовательности изображений.

5.1.3 Синтаксический анализ сцены.

5.2 Построение видеографа сложной сцены.

5.3 Распознавание динамических образов.

5.4 Распознавание событий сцены.

5.4.1 Способ выявления активных действий.

5.4.2 Построение видеографа событий.

5.5 Распознавание событий и жанра сцены.

5.5.1 Распознавание событий сцены.

5.5.2 Распознавание жанра сцены.

5.6 Выводы по главе.

ГЛАВА 6 ПОСТРОЕНИЕ СИСТЕМ ОБРАБОТКИ И РАСПОЗНАВАНИЯ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ИЗОБРАЖЕНИЙ И ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ.

6.1 Экспериментальный программный комплекс «ЗРОЕЯ».

6.2 Работа модулей экспериментальной системы «ЭРОЕИ.».

6.2.1 Модуль предварительной обработки.".

6.2.2 Модуль оценки движения.

6.2.3 Модуль сегментации.

6.2.4 Модуль распознавания объектов.

6.2.5 Модуль распознавания активных действий.

6.3 Результаты экспериментальных исследований.

6.4 Прикладной проект «Визуальная регистрация государственных номерных знаков автотранспортных средств при многопоточном движении».

6.5 Прикладной проект «Система идентификации моделей кор-пусов холодильников по изображениям».

6.6 Программная система «Алгоритмы обработки и сегментации ландшафтных изображений. Идентификация объектов».

6.7 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений»

Существует класс задач, в которых особую важность приобретает информация^ структуре и движении объектов сложной сцены (видеонаблюдение в закрытых помещениях, в местах большого скопления людей, управление движением робототехнических комплексов, наблюдение за движением транспортных средств и т.д.). Последовательности изображений являются сложным информационным ресурсом, структурированным в пространстве и во времени и объединяющим исходную информацию в виде многомерных сигналов, форму ее представления в компьютере и физические модели динамических объектов, явлений, процессов. Новые технические возможности цифровой обработки изображений позволяют частично учитывать такую специфику изображений, используя одновременно достижения когнитивной теории человеческого восприятия зрительных образов.

Анализ пространственно-временного объема данных позволяет выявлять не только статические, но и динамические признаки объектов наблюдения. В этом случае задачу распознавания можно определить как классификацию совокупностей состояний или как классификацию траекторий, решение которой не может быть найдено классическими методами распознавания, т.к. временные переходы^ могут порождать,преобразования изображений, не описываемые известными аналитическими зависимостями; Также наряду с задачей распознавания динамических объектов возникают задачи распознавания активных действий и событий, например, для выявления несанкционированных действий в местах скопления людей или определении жанра сцены для индексации в мультимедийных базах данных. Если рассматривать задачу распознавания объектов и событий по последовательностям изображений в виде единого процесса, то наиболее целесообразным является иерархический подход с элементами параллельной обработки на каждом уровне.

Совершенствование технических средств сбора и воспроизведение информации в виде статических изображений (фотографий) и видеопоследовательностей требует дальнейшего развития методов и алгоритмов их обработки, анализа ситуаций и распознавания изображенных объектов. Начальная теоретическая постановка задачи распознавания изображений относится к 1960-1970 гг. и отражена в ряде работ известных авторов . Постановка задачи распознавания изображений может варьироваться от собственно задачи распознавания объектов, задач анализа сцен до задач понимания изображений и проблем машинного зрения. При этом системы принятия интеллектуальных решений, основанные на методах распознавания образов и изображений, используют входную информацию комплексного типа. К ней относятся как изображения, полученные в широком волновом диапазоне электромагнитного спектра (ультрафиолетовом, видимом, инфракрасном и др.), так и информация в виде звуковых образов и локационных данных. Несмотря на различную физическую природу, такую информацию можно представить в виде реальных изображений объектов и специфических изображений. Радиометрические данные - это плоские изображения сцены, представленные в перспективной или ортогональной проекции. Они формируются путем измерения интенсивности электромагнитных волн определенного спектрального диапазона, отраженных или излучаемых объектами сцены. Обычно используют фотометрические данные, измеренные в видимом спектральном диапазоне, - монохроматические (яркостные)* или цветные изображения: Локационные данные - это пространственные координаты наблюдаемых точек сцены. Если координаты измерены для всех точек сцены, то такой массив локационных данных можно назвать изображением глубины сцены. Существуют упрощенные модели изображений (например, модели аффинной проекции, представленные слабоперспективными, пара-перспективными, ортогональными и параллельными проекциями), в которых глубина сцены считается постоянной величиной, и локационное изображение сцены не несет полезной информации . Звуковая информация носит в данном случае вспомогательный событийный характер.

Наиболее оперативно измеряются фотометрические данные. Локационная информация, как правило, вычисляется по данным, получаемым от специальных устройств (например, лазерного дальномера, радиолокатора) или с использованием стереоскопического метода анализа яркостных изображений. Вследствие трудностей оперативного получения локационных данных (особенно для сцен с быстро изменяющейся формой визуальных объектов) преобладают задачи описания сцены по одному визуальному изображению, т.е. задачи монокулярного зрительного восприятия сцены. В общем случае полностью определить геометрию сцены по одному изображению невозможно. Только при определенных ограничениях для достаточно простых модельных сцен и наличии априорных сведений о пространственном расположении объектов удается построить полное трехмерное описание по одному изображению . Одним из способов выхода из данной ситуации является обработка и анализ видеопоследовательностей, полученных от одной или нескольких видеокамер, установленных неподвижно или перемещающихся в пространстве.

Таким образом, изображения являются основной формой представления информации о реальном мире, и требуется дальнейшее развитие методов преобразования и семантического анализа как отдельных изображений, так и видеопоследовательностей. Одним из важнейших направлений разработки таких интеллектуальных систем является автоматизация выбора методов описания и преобразования изображений с учетом их информационной природы и целей распознавания уже на начальных этапах обработки изображений.

Первые работы исследователей из США {Louisiana State University, Carnegie Mellon University, Pittsburgh), Швеции ("Computational Vision and Active Perception Laboratory {CVAP), Department of Numerical Analysis and Computer Science), Франции {INRIA), Великобритании (University of Leeds), ФРГ (University of Karlsruhe), Австрии {University of Queensland), Японии, Китая {School of Computer Science, Fudan University) по обработке последовательностей изображений и распознаванию динамических объектов были опубликованы в конце 1980-х гг. Позже аналогичные работы стали появляться и в России: в Москве (МГУ, МАИ (ГТУ), МФТИ, ГосНИИ АС), С.Петербурге (СПбГУ, ГУАП, ФГУП ГОИ, ЛОМО), Рязани (РГРТУ), Самаре (СГАУ), Воронеже (ВГУ), Ярославле (ЯрГУ), Кирове (ВГУ), Таганроге (ТТИ ЮФУ), Новосибирске (НГУ), Томске (ТГПУ), Иркутске (ИрГУ), Улан-Удэ (ВСГТУ) и др. городах. Следует отметить особый вклад таких выдающихся российских ученых, занимающихся в данной области, как академик РАН, д.т.н. Ю. И. Журавлев, член-корреспондент РАН, д.т.н. В. А. Сойфер, д.т.н. Н. Г. Загоруйко, д.т.н. Л. М. Местецкий, д.т.н. Б. А. Алпатов и др. На сегодняшний день достигнуты значительные успехи при построении систем видеонаблюдения, систем аутентификации личности по изображениям и т.д. Однако существуют нерешенные проблемы при распознавании динамических образов из-за сложности и многообразия поведения объектов реального мира. Таким образом, данное направление нуждается в совершенствовании моделей, методов и алгоритмов распознавания динамических объектов и событий по последовательностям изображений в различных диапазонах электромагнитного излучения, что позволит разрабатывать системы видеоиаблю-дения на качественно новом уровне.

Целью диссертационной работы является повышение эффективности распознавания динамических объектов, их активных действий и событий в сложных сценах по последовательностям изображений для систем наружного и внутреннего видеонаблюдения.

Поставленная цель определила необходимость решения следующих задач:

Провести анализ методов оценки движения и нахождения признаков движения объектов по набору последовательных изображений, методов сегментации динамических объектов и семантического анализа сложных сцен, а также подходов к построению систем распознавания и слежения за динамическими объектами различного целевого назначения.

Разработать модели распознавания статических и динамических образов, основываясь на иерархической процедуре обработки временных рядов, в частности, последовательностей изображений.

Разработать метод оценки движения динамических структур по пространственно-временной информации, полученной в различных диапазонах электромагнитного излучения, позволяющий выбирать методы сегментации в зависимости от характера движения и, тем самым, выполнять адаптивное распознавание динамических образов.

Создать модель многоуровневого движения динамических структур в сложной сцене, позволяющую на основе полученных одометрических данных строить траектории движения динамических структур и выдвигать гипотезы о существовании визуальных объектов на основе анализа предыстории движений.

Разработать комплексный алгоритм сегментации, учитывающий совокупность выявленных признаков динамических структур при произвольных направлениях перемещений и перекрытий проекций объектов, основываясь на модели многоуровневого движения в сложных сценах.

Разработать метод распознавания динамических образов, представленных в терминах формальной грамматики и видеографа сцены, на основе метода коллективного принятия решений, а также методы распознавания активных действий и событий в сложной сцене, использующие графы активных действий и событий (расширяющие видеограф сложной сцены), и байесовскую сеть.

На основе разработанных методов и моделей спроектировать экспериментальные системы различного назначения; предназначенные для обработки последовательностей изображений объектов, характеризующихся фиксированным и произвольным набором 2£>-проекций, и-распознавания динамических образов в. сложных сценах.

Методы, исследований. При выполнении диссертационной работы использовались методы теории распознавания образов, дескриптивной теории распознавания изображений, теории обработки сигналов, методы векторного анализа и тензорного исчисления, а также теория групп, теория формальных грамматик.

Научная новизна диссертационной работы состоит в следующем:

1. Построена новая модель преобразования динамических изображений, отличающаяся расширенными иерархическими уровнями сегментации (по локальным и глобальным векторам движения) и распознавания (объектов и их активных действий), позволяющая находить целевые признаки для статических сцен с движущимися объектами и динамических сцен на, основе понятия максимального динамического инварианта.

2. Расширена дескриптивная теория распознавания изображений введением четырех новых принципов: учет цели распознавания на начальных стадиях анализа, распознавание поведения динамических объектов, оценка предыстории, переменное количество объектов наблюдения, что позволяет повысить качество распознавания движущихся объектов за счет повышения информативности исходных данных.

3. Впервые разработан адаптивный пространственно-временной метод оценки движения в синхронных последовательностях видимого и инфракрасного диапазонов электромагнитного излучения, позволяющий извлекать признаки движения на различных иерархических уровнях, сочетая достоинства обоих типов последовательностей изображений.

4. Разработана новая модель многоуровневого движения; позволяющая проводить декомпозицию сцены на отдельные уровни; не > ограничивающаяся; общепринятым разделением на передний план и фон, что позволяет выполнять более достоверную сегментацию изображений объектов в; сложных перспективных сценах.

5: Обоснован? и построен; новый; обобщенный алгоритм сегментации динамических объектов; с, применением, множества признаков^ включающих предыстории поведения; и позволяющий отслеживать как динамику отдельных визуальных объектов, так и взаимодействия объектов в сцене (перекрытия проекций; появление/исчезновение объектов из поля зрения видеодатчика) на основе групповых преобразований; и впервые предложенном анализе общей части проекций объекта (из двух соседних кадров) с применением интегральных и инвариантных оценок.

6. Модифицирован метод коллективного принятия решений, отличающийся нахождением признаков межкадровых проекций объекта и позволяющий учитывать предысторию наблюдений для распознавания активных действий и событий на основе байесовской сети, а также предложены четыре вида псевдо-расстояний для нахождения меры сходства v динамических образов с эталонными динамическими образами в зависимости от представления динамических признаков.

Практическая значимость. Предложенные в диссертационной работе методы и алгоритмы предназначены для практического применения при"мониторинге автотранспортных средств при многополосном движении в рамках государственного проекта «Безопасный город», в системах автоматизированного контроля за различными технологическими производственными процессами по видеопоследовательностям, в системах наружного видеонаблюдения и видеонаблюдения в закрытых помещениях, а также в системах иденл тификации объектов на аэрофотоснимках и распознавании ландшафтных изображений. На основе диссертационных исследований разработаны программные комплексы обработки и распознавания динамических объектов, применяемые в различных сферах деятельности.

Реализация результатов работы. Разработанные программы зареги- стрированы в Российском реестре программ для ЭВМ: программа «Сегментация изображений рукописного текста (SegPic)» (свидетельство №2008614243, г. Москва, 5 сентября 2008 г.); программа «Определение движения (MotionEstimation)» (свидетельство №2009611014, г. Москва, 16 февраля- 2009 г.); программа «Локализация лица (FaceDetection)» (свидетельство №2009611010, г. Москва, 16 февраля-2009 г.); программа «Система наложения визуальных природных эффектов на статическое изображение (Natural effects imitation)» (свидетельство №2009612794, г. Москва, 30 июля 2009 г.); программа «Визуальное детектирование дыма (SmokeDetection)» (свидетельство №2009612795, г. Москва, 30 июля 2009 г.); «Программа визуальной регистрации государственных номерных знаков автотранспортных средств при многопоточном движении (FNX CTRAnalyzer)» (свидетельство №2010612795, г. Москва, 23 марта 2010 г.), программа «Нелинейное улучшение изображений (Nonlinear image enhancement)» (свидетельство №2010610658, г. Москва, 31 марта 2010 г.

Получены акты о передаче и использовании алгоритмического и программного обеспечения для распознавания корпусов холодильников на сборочной линии (ОАО КЗХ «Бирюса», г. Красноярск), для идентификации изо бражений объектов на ландшафтных изображениях (Концерн радиостроения «Вега», ОАО КБ «Луч», г. Рыбинск Ярославской области), для сегментации лесной растительности по набору последовательных аэрофотоснимков (ООО «Альтекс Геоматика», г. Москва), для обнаружения пластин государственных регистрационных знаков автотранспортных средств в видеопоследовательностях при многопоточном движении и повышении качества их отображения^ (УГИБДД ГУВД по Красноярскому краю, г. Красноярск).

Разработанные алгоритмы и программное обеспечение используются в учебном процессе при проведении занятий по дисциплинам «Интеллектуальная обработка данных», «Компьютерные технологии в науке и образовании», «Теоретические основы цифровой обработки изображений», «Распознавание образов», «Нейронные сети», «Алгоритмы обработки изображений», «Алгоритмы обработки видеопоследовательностей», «Анализ сцен и машинное зрение» в Сибирском государственном аэрокосмическом университете имени академика М.Ф. Решетнева (СибГАУ).

Достоверность полученных в диссертационной работе результатов обеспечивается корректностью используемых методов исследования^ математической строгостью выполненных преобразований, а также соответствием сформулированных положений- и выводов результатам их экспериментальной проверки.

Основные положения, выносимые на защиту:

1. Модель обработки и распознавания динамических образов в сложных сценах, существенно расширенная" иерархическими уровнями сегментации и распознавания не только объектов, но и их активных действий.

2. Расширение дескриптивной теории распознавания изображений для временных рядов (последовательностей изображений) за счет повышения информативности анализируемых данных не только в пространственной области, но и по временной составляющей.

3. Адаптивный пространственно-временной метод оценки движения на. основе тензорных представлений локальных ЗИ объемов в синхронных последовательностях видимого и инфракрасного диапазонов электромагнитного излучения.

4. Модель многоуровневого движения в сложных сценах, расширяющая декомпозицию перспективных сцен на отдельные уровни для более достоверного анализа траекторий движения объектов.

5. Обобщенный алгоритм сегментации динамических объектов, позволяющий на основе групповых преобразований и предложенных интегральных и инвариантных оценок выявлять перекрытия проекций объектов, появление/исчезновение объектов из поля зрения видеодатчика.

6. Методы распознавания динамических образов на основе модифицированного метода коллективного принятия решений и нахождения псевдорасстояний в метрических пространствах, а также активных действий и событий в сложных сценах.

Апробация работы. Основные положения и результаты диссертационных исследований докладывались и обсуждались на 10 международной конференции «Pattern Recognition and Image Analysis: Modern Information Technologies», (S.-Petersburg, 2010), международном конгрессе «Ultra Modern Telecommunications and Control Systems ICUMT2010» (Moscow, 2010); XII международном симпозиума по непараметрическим методам в кибернетике и системному анализу (Красноярск, 2010), II международном симпозиуме «Intelligent Decision-Technologies - IDT 2010» (Baltimore, 2010), III международной конференции. «Automation, Control? and Information Technology - AOIT- ICT"2010» (Novosibirsk, 2010), 10-й, 11-й и 12-й международных конференциях и выставках «Цифровая обработка сигналов и ее применение» (Москва, 2008 - 2010 гг.), X международной научно-технической конференции «Теоретические и прикладные вопросы современных информационных технологий» (Улан-Удэ, 2009 г.), IX международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (Воронеж, 2008), всероссийской конференции «Модели и методы обработки изображений» (Красноярск, 2007 г.), на X, XI и XIII международных научных конференциях «Ре-шетневские чтения» (Красноярск, 2006, 2007, 2009 гг.), а также на научных семинарах Государственного университета аэрокосмического приборостроения (С.-Петербург, 2009 г.), Института вычислительного моделирования СО

РАН (Красноярск, 2009 г.), Института систем обработки изображений РАН (Самара, 2010).

Публикации. По результатам диссертационного исследования опубликовано 53 печатных работы, из них 1 монография, 26 статей (из них 14 статей - в изданиях, включенных в список ВАК, 2 статьи - в изданиях, перечисленных в «Thomson Reuters: Science Citation Index Expanded / Conference Proceedings Citation Index»), 19 тезисов докладов, 7 свидетельств, зарегистрированных в Российском реестре программ для ЭВМ, а также 3 отчета по НИР.

Личный вклад. Все основные результаты, изложенные в диссертации, включая постановку задач и их математические и алгоритмические решения, получены автором лично, или выполнены под его научным руководством и при непосредственном участии. По материалам работы были защищены две диссертации на соискание ученой степени кандидата технических наук, при выполнении которых автор был официальным научным руководителем.

Структура работы. Работа состоит из введения, шести глав, заключения, библиографического списка. Основной текст диссертации содержит 326 страниц, изложение иллюстрируется 63 рисунками и 23 таблицами. Библиографический список включает 232 наименования.

Заключение диссертации по теме «Теоретические основы информатики», Фаворская, Маргарита Николаевна

6.7 Выводы по главе

В" данной главе подробно рассмотрена структура и основные функции экспериментального программного комплекса «ЗРОЕЛ», у.1.02, который; выполняет системную иерархическую обработку последовательностей изображений вплоть до высших уровней распознавания объектов и событий. Он является автоматизированной системой, требующей участия человека для обучения и настройки графов, сетей и классификаторов. Ряд низкоуровневых модулей системы работает в автоматическом режиме. Структура программного комплекса такова, что возможна модификация модулей без оказания влияния на другие модули системы. Представлены функциональные схемы основных модулей системы: модуля, предварительной обработки, модуля оценки движения, модуля сегментации, модуля распознавания объектов и модуля распознавания активных действий.

Экспериментальные исследования на основе данного программного комплекса проводились на нескольких видеопоследовательностях и инфракрасных последовательностях из тестовой базы «OTCBVS^07», на тестовых видеопоследовательностях «Hamburg taxi», «Rubik cube». «Silent», а также на собственном видеоматериале. Тестировались пять методов оценки движения. Экспериментально было показано, что метод сопоставления блоков и предложенный метод для инфракрасной последовательности показывают близкие значения и являются наименее точными. Предложенный метод для видеопоследовательности и метод слежения за точечными особенностями демонстрируют близкие результаты. При этом разработанный тензорный подход требует меньшего объема компьютерных вычислений по сравнению с методом слежения за точечными особенностями. Совместное использование синхронизированных видеопоследовательности и инфракрасной последовательности целесообразно использовать для нахождения модуля вектора скорости и в условиях пониженного освещения сцены.

Для распознавании визуальных объектов применялись четыре вида псевдо-расстояний (псевдо-расстояния Хаусдорффа, Громова-Хаусдорффа, Фреше, естественное псевдо-расстояние) для нахождения меры сходства входных динамических образов с эталонными динамическими образами (в зависимости от представления динамического признака - множества числовых характеристик, множества векторов, множества функций). Они показали свою состоятельность для образов с допустимыми морфологическими преобразованиями. Использовались интегрированные нормализованные оценки формы контура Кс общей части проекции объекта между условно соседними кадрами и площадь общей части 5е и инвариантная оценка - корреляционная функция общих частей проекций Fcor. Применение модифицированного метода коллективного принятия решений позволяет «отбросить» неудачные наблюдения входных образов (случаи перекрытия проекций объектов, искажения сцены от источников освещения и т. д.) и выбрать наиболее подходящие наблюдения. Эксперименты показали, что применение модифицированного метода коллективного принятия решения повышает точность распознавания в среднем на 2,4-2,9 %.

Экспериментальные результаты оценки движения, сегментации и распознавания объектов были получены на тестовых последовательностях изображений («Hamburg taxi», «Rubik cube». «Silent», видеопоследовательности и инфракрасные последовательности из тестовой базы «ОТСВVS"07»). Для распознавания активных действий людей использовались примеры из тестовых баз «PETS», «CAVIAR», «VACE». Характер тестовой визуальной последовательности влияет на показатели. Хуже распознаются объекты, осуществляющие вращательное движение («Rubik cube»), лучше - техногенные объекты небольших размеров («Hamburg taxi», «Видео 1»). Наилучшие результаты показывает распознавание по двум последовательностям. Также лучшие экспериментальные результаты достигались при распознавании периодических активных действий людей, не находящихся в группах (хождение, бег, поднятие рук). Ложные срабатывания обусловлены засветкойш наличием теней, в ряде мест сцены.

В ^завершении* шестой главы были рассмотрены такие прикладные"проекты, как «Визуальная регистрация государственных номерных знаков автотранспортных средств при многопоточном движении», «Система идентификации моделей корпусов холодильников по изображениям», «Алгоритмы.обработки и-сегментации, ландшафтных изображений. Идентификация объектов». Алгоритмическое и. программное обеспечение передано заинтересованным, организациям: Результаты тестовой эксплуатации показали работоспособность программного обеспечения, разработанного на основе предложенных в диссертационной работе моделей и методов.

ЗАКЛЮЧЕНИЕ

В диссертационной работе была поставлена и решена важная научно-техническая проблема обработки пространственно-временных данных, полученных из последовательностей видимого и инфракрасного диапазонов электромагнитного излучения, и распознавания динамических образов в сложных сценах. Система иерархических методов обработки и извлечения признаков из пространственно-временных данных представляет собой методологическую основу решения прикладных задач в области видеонаблюдения.

Во введении обоснована актуальность диссертационной работы, сформулирована цель и поставлены задачи исследования, показана научная новизна и практическая ценность выполненных исследований, представлены основные положения, выносимые на защиту.

В первой главе показано, что визуальные объекты в видеопоследовательностях характеризуются более многомерным вектором признаков, чем" образы в классической постановке задачи распознавания статических изображений. В диссертационной работе вводятся уточняющие этапы на среднем и высшем уровнях обработки, которые имеют существенное значение для динамических изображений.

Построена классификация основных типов задач распознавания для статических изображений, статических сцен с элементами движения и последовательностей изображений, которая отражает исторический характер развития математических методов в данной области. Проведен подробный анализ методов оценки движения, алгоритмов сегментации движущихся объектов, методов интерпретации событий в сложных сценах.

Рассмотрены существующие коммерческие аппаратно-программные комплексы в таких областях, как мониторинг транспортных средств различного назначения, обработка спортивных видеоматериалов, обеспечение безопасности (распознавание лиц, несанкционированное проникновения людей на охраняемую территорию), Также анализируются исследовательские разработки для систем видеонаблюдения.

В завершении главы 1 приведена постановка задачи пространственно-временной обработки последовательностей изображений, представленная в виде трех уровней и пяти этапов обработки и распознавания визуальной информации по последовательностям изображений.

Во второй главе диссертации разработаны формальные модели обработки и распознавания объектов по их статическим изображениям и последовательностям изображений. Построены допустимые отображения в пространстве изображений и пространстве признаков для прямой задачи и обратной задачи. Приведены правила построения инвариантных решающих функций и обобщенного максимального динамического инварианта. При распознавании траектории различных образов в многомерном пространстве признаков могут пересекаться. При пересечении проекций объектов нахождение обобщенного максимального динамического инварианта становится еще более трудной, а в некоторых случаях и невозможной задачей.

Рассмотрены основные принципы дескриптивной теории распознавания изображений, в основу которой легли регулярные методы выбора и синтеза алгоритмических процедур обработки информации при распознавании изображений. Предложены дополнительные принципы, расширяющие дескриптивную теорию для динамических изображений: учет цели распознавания на начальных стадиях обработки последовательности изображений, распознавание поведенческих ситуаций динамических объектов, оценка предыстории динамических объектов, переменное количество объектов наблюдения в сложных сценах.

Подробно рассмотрена проблема поиска целевых признаков для анализа последовательностей изображений в зависимости от типа съемки (в случае одноракурсной съемки), движения видеодатчика и наличия движущихся объектов в зоне видимости. Приведены описания четырех ситуаций в пространстве признаков по мере усложнения задачи.

В третьей главе сформулированы этапы обработки последовательностей изображений и распознавания объектов, активных действий, событий и жанра сцены. Этапы отражают последовательный иерархический характер обработки визуальной информации. Также представлены условия и ограничения иерархических методов пространственно-временной обработки последовательностей изображений.

Классификация динамических регионов изображения производится путем анализа собственных значений 31) структурного тензора, собственные векторы которого определяются по локальным смещениям интенсивностей изображений соседних кадров и используются для оценки локальных ориен-таций динамических регионов. Обоснован новый метод оценки движения в пространственно-временном объеме данных видимого и инфракрасного диапазонов излучения на основе тензорного подхода. Рассмотрена возможность применения пространственно изменяемого ядра, адаптивного к размерам и ориентации окружения точки. Адаптация окружения, вначале имеющего форму круга, а затем превращающегося после 2-3 итераций в форму ориентированного эллипса позволяет улучшить оценку ориентированных структур на изображении. Такая стратегия улучшает оценки градиентов в пространственно-временном наборе данных.

Оценка локальных параметров движения производится путем вычисления геометрических примитивов и особенных точек локального региона. Таким образом, оценка локальных признаков движения регионов является основой выдвижения последующих гипотез принадлежности визуальных объектов к тому или иному классу. Использование синхронных видеопоследовательности и инфракрасной последовательности позволяет улучшить результаты сегментации движущихся регионов на изображении и нахождения локальных векторов движения.

Показано, что оценить границы в цветных изображениях можно на основе многомерных градиентных методов, построенных по всем направлениям в каждой точке границы, векторными методами с использованием порядковых статистиках о цветном изображении, а также применением тензорного подхода в рамках многомерных градиентных методов. Способы уточнения контурной информации имеют существенное значение для регионов с произвольным количеством допустимых проекций.

В четвертой главе построена многоуровневая модель движения на основе структур движения, отражающая динамику объектов реальных сцен и расширяющая двухуровневое представление сцены, разделяемой на объекты интереса и неподвижный фон.

Исследуются модели движения объектов на плоскости, основанные на теории компактных групп Ли. Представлены модели для проективного преобразования и разновидностей моделей аффинного преобразования. Такие преобразования хорошо описывают структуры движения с ограниченным количеством проекций (техногенные объекты). Представление структур с неограниченным количеством проекций (антропогенные объекты) аффинными или проективными преобразованиями сопровождается рядом дополнительных условий (в частности, требование удаленности объектов от видеодатчика, малоразмерные объекты и т. д.). Приводятся определения и теорема, доказанная Л. С. Понтрягиным, на основании которых удалось найти внутренний автоморфизм групповых координат, описывающих некоторый объект с точностью до сдвигов между соседними кадрами. Величина сдвигов опреде1 ляется по методу оценки движения межкадровой разницы, разработанному в 3" главе.

Построено расширение допустимых переходов между группами преобразований в- силу двойственности природы 2£)-изображений (отображение изменений проекции отдельного объекта и визуальное пересечение нескольких объектов: (взаимодействие объектов)). Найдены, критерии, которые при изменении групп преобразований фиксируют активные действия и события, в сцене, а именно, интегрированные оценки формы контура Кс общей части проекции между условно соседними кадрами и площадь общей части 5е и инвариантные оценки - корреляционная функция общих частей проекций Рсог и структурные константы группы Ли с"д, которые позволяют оценить степень изменчивости и выявить характер движения наблюдаемых объектов.

Также построена модель предыстории движения объектов в последовательностях изображений, включающая временные ряды траекторий перемещения, изменения формы объекта при его движении в 3£>-пространстве, а также изменения формы объекта, связанные с взаимодействием объектов в сцене и появлением/исчезновением объекта из поля зрения датчика (используется для распознавания активных действий и событий в сцене). 1

Разработан обобщенный алгоритм сегментации объектов в сложных сценах, учитывающий сложные случаи сегментации (перекрытия изображений, появление и исчезновение объектов из поля зрения камеры, движение на камеру), который включает три подэтапа: предсегментацию, сегментацию и пост-сегментацию. Для каждого подэтапа сформулированы задачи, исходные и выходные данные, разработаны блок-схемы алгоритмов, позволяющие проводить сегментацию сложных сцен, используя преимущества синхронных последовательностей из различных диапазонов излучения.

В пятой главе рассматривается процесс распознавания динамических образов, использующий формальную грамматику, видеограф сцены и модифицированный метод коллективного принятия решений. Динамическая сцена с многоуровневым движением обладает изменяющейся во времени структурой, поэтому целесообразно использовать структурные методы распознавания. Предложенная трехуровневая контекстная грамматика распознавания сложных сцен с многоуровневым движением объектов реализует две задачи: задачу синтаксического анализа последовательности изображений и задачу синтаксического анализа сцены.

Более наглядным средством семантического описания сцены является видеограф, построенный по методу иерархического группирования. На основе комплексных признаков низшего уровня формируются локальные пространственные структуры, устойчивые во времени, локальные пространственные объекты и строится видеограф сцены, включающий распознанные пространственные объекты, совокупность присущих им действий, а также пространственно-временные связи между ними.

Модифицированный метод коллективного принятия решений основан на двухуровневой процедуре распознавания. На первом уровне осуществляется распознавание принадлежности изображения той или иной области компетентности. На втором уровне вступает в силу решающее правило, компетентность которого максимальна в заданной области. Построены выражения для псевдо-расстояний при нахождении меры сходства входных динамических образов с эталонными динамическими образами в зависимости от представления динамических признаков - множества числовых характеристик, множества векторов, множества функций.

При распознавании событий видеограф сложной сцены расширяется до видеографа событий: Построена объектно-зависимая модель динамического объекта. В качестве функции соответствия используются простейшие классификаторы в пространстве признаков (например, по методу ^-средних), т. к. сопоставление осуществляется по ограниченному множеству шаблонов, ассоциированных с ранее опознанным объектом. Рассмотрены способы формирования шаблонов проекций визуальных объектов.

Видеограф событий строится на основе сетей Маркова. Рассмотрены способы выявления активных действий агентов, а также порядок построения и разрезания видеографа событий для распознавания, событий в сцене. При этом для каждого события строится своя модель, которая обучается на тестовых примерах. Обнаружение событий сводится к кластеризации последовательно выполняемых активных действий на основе байесовского подхода. Выполняется рекурсивное разрезание- матрицы весовых коэффициентов во входной видеопоследовательности и сравнение с эталонными, событиями, полученными на этапе обучения. Данная информация является* исходной для определения жанра сцены и при необходимости индексирования видеопоследовательности в базе данных. Разработана схема понимания и интерпретации изображений и видеоматериалов для индексирования в мультимедийных Интернет-базах.

В шестой главе представлено описание экспериментального программного комплекса «SPOER», v.l.02 по обработке последовательностей изображений и распознаванию движущихся объектов и событий. Он выполняет системную иерархическую обработку последовательностей изображений вплоть до высших уровней распознавания объектов и событий. Он является автоматизированной системой, требующей участия человека для обучения и настройки графов, сетей и классификаторов. Ряд низкоуровневых модулей системы работает в автоматическом режиме.

В экспериментальных исследованиях, проведенных с помощью программного комплекса «SPOER», v.l.02, использовались видеопоследовательности и инфракрасные последовательности изображений из тестовой базы «OTCBVS"07», тестовые видеопоследовательности «Hamburg taxi», «Rubik cube». «Silent» и собственные видеоматериалы. Тестировались пять методов оценки движения. Предложенный метод для видеопоследовательности демонстрирует наиболее точные результаты и требует меньшего объема компьютерных вычислений по сравнению с другими методами. Совместное использование синхронизированных видеопоследовательности и инфракрасной последовательности целесообразно при нахождении модулей векторов скоростей в условиях пониженного освещения сцены.

Для распознавании визуальных объектов с допустимыми морфологическими преобразованиями проекций использовались интегрированные нормализованные оценки формы контура Кс общей части проекции объекта между условно соседними кадрами и площадь общей части 5е и инвариантная оценка - корреляционная функция общих частей проекций Fcor. Применение модифицированного метода коллективного принятия решений позволяет «отбросить» неудачные наблюдения входных образов (случаи перекрытия проекций объектов, визуальные искажения сцены от источников освещения и т. д.) и выбрать наиболее подходящие наблюдения. Эксперименты показали, что применение модифицированного метода коллективного принятия решения повышает точность распознавания в среднем на 2,4-2,9 %.

Экспериментальные результаты оценки- движения; сегментации и распознавания объектов были получены на тестовых последовательностях изображений («Hamburg taxi», «Rubik cube». «Silent», видеопоследовательности и инфракрасные последовательности из тестовой базы «OTCBVS*07»). Для распознавания активных действий людей использовались примеры из тестовых баз «PETS», «CAVIAR», «VACE». Наилучшие результаты показывает распознавание по двум последовательностям. Также лучшие экспериментальные результаты достигались при распознавании периодических активных действий людей, не находящихся в группах (хождение, бег, поднятие рук). Ложные срабатывания обусловлены засветкой и наличием теней в ряде мест сцены.

На базе экспериментального комплекса «ЗРОЕЯ», V. 1.02 были разработаны системы обработки видеоинформации различного целевого назначения: «Визуальная регистрация государственных номерных знаков автотранспортных средств при многопоточном движении», «Система идентификации моделей корпусов холодильников по изображениям», «Алгоритмы обработки и сегментации ландшафтных изображений. Идентификация объектов». Алгоритмическое и программное обеспечение передано заинтересованным организациям. Результаты тестовой эксплуатации показали работоспособность программного обеспечения, разработанного на основе предложенных в диссертационной работе моделей и методов.

Таким образом, в диссертационной работе были получены следующие результаты:

1. Построены формальные модели обработки и распознавания пространственно-временных структур на основе адаптивной иерархической процедуры. обработки последовательностей изображений, отличающиеся тем, что в них учтены изоморфные и гомоморфные преобразования и выведены обобщенные функции статических и динамических инвариантов. Также построены модели поиска статических и динамических признаков объектов для четырех задач анализа последовательностей изображений в зависимости от наличия движущегося1 видеодатчика и движущихся объектов в сцене.

2. Расширены- основные положения дескриптивного подхода к распознаванию последовательностей изображений, позволяющие учитывать цели распознавания на начальных стадиях обработки последовательности изображений с последующей сегментацией областей интереса, строить траектории движения и распознавать поведение динамических объектов, учитывать предысторию движения объектов при пересечении их проекций, сопровождать переменное количество объектов наблюдения.

3. Разработан иерархический метод обработки и распознавания пространственно-временных структур, состоящий из трех уровней и пяти этапов и предполагающий нормализацию проекций объектов, что позволяет сократить количество эталонов для одного класса при распознавании сложных динамических объектов.

4. Разработан метод оценки движения для последовательностей изображений из видимого и инфракрасного диапазонов электромагнитного излучения отличающийся тем, что используются пространственно-временные наборы данных, представленные в виде 3£> структурных тензоров и ЪВ тензоров. потока соответственно. Полученная оценка движения позволяет выбрать наиболее эффективный метод сегментации динамических визуальных объектов, отличающихся количеством допустимых проекций.

5. Построена модель многоуровневого движения регионов изображения на основе локальных векторов скорости, отличающаяся тем, что позволяет разделять сцену не только на объекты переднего плана и фон, но и на уровни движения объектов, удаленных от наблюдателя. Это особенно актуально для сложных сцен, регистрируемых подвижным видеодатчиком, когда все объекты сцены находятся в относительном движении.

6. Разработан адаптивный алгоритм-сегментации динамических объектов: а) для объектов с ограниченным количеством проекций, на основе анализа предыстории движения локальных динамических регионов, отличающийся тем, что при перекрытиях изображений достраивается форма, региона по текущему шаблону и при условии применения фильтра Калмана прогнозируется,текущая, траектория; б) для объектов с произвольным количеством проекций на основе комплексного анализа, цветовых, текстурных, статистических, топологических признаков и признаков движения, отличающийся тем, что при перекрытиях изображений^форма региона достраивается с использованием метода активных контуров.

7. Предложен способ построения динамического видеографа сложной сцены по методу иерархического группирования комплексных признаков низшего уровня в локальные пространственные структуры, устойчивые во времени, и далее в локальные пространственные объекты. Сформированный видеограф устанавливает временные отношения между объектами и сохраняет все обобщенные признаки для распознавания событий в сцене. Расширена двумерная грамматика М.И. Шлезингера в рамках структурного метода распознавания до трехуровневой контекстной грамматики.

8: Для распознавания динамических объектов модифицирован коллективный метод принятия решений, вначале осуществляющий распознавание принадлежности изображения области компетентности, а затем выбирающий то решающее правило, компетентность которого максимальна в заданной области. Построены четыре вида псевдо-расстояний для нахождения меры сходства входных динамических образов с эталонами в зависимости от представления динамических признаков.

9. Разработан метод распознавания событий на основе байесовской сети, выполняющий рекурсивное разрезание матрицы весовых коэффициентов во входной видеопоследовательности и сравнение с эталонными событиями, полученными на этапе обучения. Данная информация является исходной для определения жанра сцены и индексирования видеопоследовательностей в мультимедийных Интернет-базах.

10. Практические задачи обработки и распознавания последовательностей изображений решены с помощью адаптивно-иерархического метода пространственно-временной обработки, показана работоспособность метода, продемонстрирована эффективность применения системы иерархических методов обработки и. распознавания визуальной информации с возможностью адаптивного выбора признаков в. процессе решения задачи. Полученные результаты в виде спроектированных экспериментальных систем, переданы заинтересованным организациям.

Таким образом, в данной диссертационной, работе решена важная научно-техническая проблема информационного обеспечения систем видеонаблюдения и разработано новое направление в области пространственно-временной обработки и распознавания динамических изображений.

Список литературы диссертационного исследования доктор технических наук Фаворская, Маргарита Николаевна, 2011 год

1. Автоматический анализ сложных изображений / Под ред. Э.М. Бра-вермана. М.: Мир, 1969. - 309 с. Бонгард М.М. Проблемы узнавания. - М.: Наука, 1967.-320 с.

2. Алпатов, Б.А., Обнаружение движущегося объекта в последовательности изображений при наличии ограничений на площадь и скорость движения объекта / Б.А. Алпатов, A.A. Китаев // Цифровая обработка изображений, №1, 2007. с. 11-16.

3. Алпатов, Б.А., Выделение движущихся объектов в условиях геометрических искажений изображения / Б.А. Алпатов, П.В. Бабаян // Цифровая обработка сигналов, № 45 2004. с. 9-14.

4. Алпатов, Б.А., Бабаян П.В. Методы обработки и анализа изображений" в бортовых системах обнаружения и сопровождения объектов / Б.А. Алпатов, П.В. Бабаян // Цифровая обработка сигналов, №2, 2006. 45-51 с.

5. Большаков, A.A., Методы обработки многомерных данных и временных рядов: Учебное пособие для вузов / A.A. Большаков, Р.И. Каримов / М.: Горячая линия-Телеком, 2007. 522 с.6: Бонгард, М.М. Проблемы узнавания / М.М. Бонгард / М.: Наука, 1967.-320 с.

6. Булинский, A.B. Теория случайных процессов1 / A.B. Булинский, А.Н. Ширяев / М.: ФИЗМАТЛИТ, 2005. 408 с.

7. Вайнцвайг, М.Н. Архитектура системы представления зрительных динамических сцен в терминах понятий / М.Н.Вайнцвайг, М.Н. Полякова // Сб. тр. 11-й всеросс. конф. «Математические методы распознавания образов (ММРО-11)», М., 2003. с.261-263.

8. Вапник, В.Н. Задача обучения распознаванию образов / В.Н. Вапник / М.: Знание, 1970. - 384 с.

9. П.Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения) / В.Н. Вапник, А.Я. Червоненкис / М.: Наука, 1974. 416 с.

10. Васильев, В.И. Распознавание движущихся тел / В.И. Васильев, А.Г. Ивахненко, В.Е. Реуцкий и др. // Автоматика, 1967, № 6, с. 47-52.

11. Васильев, В.И. Распознающие системы / В.И. Васильев / Киев: Наук. Думка, 1969. 292 с.

12. Васильев, В.И. Распознающие системы. Справочник / В.И. Васильев / Киев, Наук, думка, 1983. 422 с.

13. Визильтер, Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения>/ Ю.В. Визильтер // Вестник компьютерных и информационных технологий, № 9, 2007 с. 11-18.

14. Визильтер, Ю.В. Проективные морфологии на базе интерполяции / Ю.В. Визильтер // Вестник компьютерных и информационных технологий, №4, 2008.-с. 11-18.

15. Визильтер, Ю.В., Проективные морфологии и их применение в структурном анализе цифровых изображений / Ю.В. Визильтер, С.Ю. Желтов // Изв. РАН. ТиСУ, № 6, 2008. с. 113-128.

16. Визильтер, Ю.В. Исследование поведения авторегрессионных фильтров в задаче выделения и анализа движения на цифровых видеопоследовательностях / Ю.В. Визильтер, Б.В. Вишняков // Вестник компьютерных и информационных технологий, № 8, 2008. - с. 2-8.

17. Визильтер, Ю.В. Проективные морфологии изображений на базе моделей, описываемых структурирующими функционалами /Ю.В. Визильтер, С.Ю. Желтов // Вестник компьютерных и информационных технологий, № 11, 2009.-с. 12-21.

18. Вишняков, Б.В. Использование модифицированного метода оптических потоков в задаче обнаружения и межкадрового прослеживания движуs.

19. Ганебных, С.Н. Анализ сцен на основе применения древовидных представлений изображений / С.Н.Ганебных, М.М. Ланге // Сб. тр. 11-й все-росс. конф. «Математические методы распознавания образов (ММРО-11)», М., 2003.-с. 271-275.

20. Глушков, В.М. Введение в кибернетику / В.М. Глушков / Киев: изд-во АН УССР, 1964. 324 с.

21. Гонсалес, Р., Вудс Р. Цифровая обработка изображений. Пер.с англ. под ред. П.А.Чочиа / Р.Гонсалес, Р. Вудс / М.: Техносфера, 2006. 1072 с.

22. Горошкин, А.Н., Сегментация изображений рукописного текста (SegPic) / А.Н. Горошкин, М.Н. Фаворская // Свидетельство № 2008614243. Зарегистрировано в Реестре программ для ЭВМ г. Москва, 5 сентября 2008 г.

23. Гренандер, У. Лекции по теории образов / У. Гренандер / В 3 т. / Пер.с англ. Под ред. Ю.И.Журавлева. М.: Мир, 1979-1983. 130 с.

24. Грузман, И.С. Цифровая обработка изображений в информационных системах: Учебн. Пособие / И.С.Грузман, B.C. Киричук, В.П. Косых, Г.И.Перетягин, A.A. Спектор / Новосибирск, изд-во НГТУ, 2003. с. 352.

25. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А. Поспелова. 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2008. - 712 с.

26. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт / М.: изд-во «Мир», 1978. 512 с.

27. Журавлев, Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации / Ю.И. Журавлев // Проблемы кибернетики: Сб. ст., вып. 33, М.: Наука, 1978. с. 5-68.

28. Журавлев, Ю.И. Об алгебраической коррекции процедур обработки (преобразования) информации / Ю.И.Журавлев, К.В. Рудаков // Проблемы прикладной математики и информатики, М.: Наука, 1987. с. 187-198.

29. Журавлев, Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич // Ежегодник «Распознавание. Классификация. Прогноз. Математические методы и их применение», вып. 2, М.: Наука, 1989.-72 с.

30. Журавлев, Ю.И. Распознавание образов и анализ изображений / Ю.И.Журавлев, И.Б. Гуревич / Искусственный интеллект в 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова, М.: изд-во «Радио и связь», 1990. - с.149-190.

31. Загоруйко, Н.Г. Методы распознавания и их применение / Н.Г. За-горуйко / М.: Сов. радио, 1972. 206 с.

32. Загоруйко, Н.Г. Искусственный интеллект и эмпирическое предсказание / Н.Г. Загоруйко / Новосибирск: изд. НГУ, 1975. 82 с.

33. Ивахненко, А.Г. О применении теории инвариантности и комбинированного управления к синтезу и анализу обучающихся систем / А.Г. Ивахненко // Автоматика, 1961, № 5, с. 11-19.

34. Ивахненко, Г.И. Самообучающиеся системы распознавания и автоматического управления / А.Г. Ивахненко / Киев: Техника, 1969. 302 с.

35. Кашкин, В.Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие / В.Б. Кашкин, А.И. Су-хинин / М.: Логос, 2001. 264 с.

36. Кобзарь, А.И. Прикладная математическая статистика. Для инженеров и научных работников / А.И. Кобзарь / М.: ФИЗМАТЛИТ, 2006. 816 с.

37. Ковалевский, В.А. Корреляционный метод распознавания изображений / В.А. Ковалевский // Журн. вычисл. математики и мат.физики, 1962, 2, № 4, с. 684-690.

38. Колмогоров, А.Н: Эпсилон-энтропия и эпсилон-емкость множеств в функциональных пространствах / А.Н. Колмогоров, В.М. Тихомиров // Теория информации и теория алгоритмов. М.: Наука, 1987. с. 119-198.

39. Корн, Г. Справочник по математике для научных работников и инженеров / Г.Корн, Т. Корн // М.: Наука, Гл. ред. физ.-мат. лит., 1984. 832 с.

40. Кроновер, Р. Фракталы и хаос в динамических системах / Р. Кроно-вер // М.: Техносфера, 2006. 488 с.

41. Лапко, A.B. Непараметрические*и гибридные системы классификации разнотипных данных / А.В.Лапко, BlA. Лапко // Тр. 12-й всеросс. конф. «Математические методы и модели распознавания образов» (ММРО-12), М., 2005.-с. 159-162.

42. Левтин, К.Э. Визуальное детектирование дыма (SmokeDetection) / К.Э.Левтин, М.Н. Фаворская // Свидетельство № 2009612795. Зарегистрировано в Реестре программ для ЭВМ г. Москва, ЗО июля 2009 г.

43. Луцив, В.Р. Принципы унификации оптических систем роботов / В.Р. Луцив, М.Н. Фаворская // В- кн. «Унификация и стандартизация промышленных роботов», Ташкент, 1984. с. 93-94.

44. Луцив, В.Р. Универсальная оптическая система для ГАП / В.Р. Луцив, М.Н. Фаворская // В кн. «Опыт создания, внедрения и использования АСУТП в объединениях и на предприятиях», Л., ЛДНТП, 1984. с. 44-47.

45. Медведева, Е.В. Метод оценки векторов движения в видеоизображениях / Е.В.Медведева, Б.О. Тимофеев // В материалах 12-й международной конференции и выставки «Цифровая обработка сигналов и ее применение», М.: В 2 т. Т. 2, 2010. с. 158-161.

46. Методы компьютерной обработки изображений / Под ред. В.А.Сойфера. 2-е изд., исп. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

47. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б. А. Алпатов, П.В. Бабаян, O.E. Балашов, А.И. Степашкин. -М.: Радиотехника, 2008. - 176 с.

48. Методы компьютерной оптики / Под ред. В.А.Сойфера. М.: ФИЗМАТЛИТ, 2003. - 688 с.

49. Мудров, А.Е. Численные методы для ПЭВМ на языках Бейсик, Фортран и Паскаль / А.Е. Мудров / Томск: МП «РАСКО», 1991. 272 с.

50. Пахирка, А.И. Локализация лица (FaceDetection) / А.И.Пахирка, М.Н. Фаворская // Свидетельство № 2009611010. Зарегистрировано в Реестре программ для ЭВМ г. Москва, 16 февраля 2009 г.

51. Пахирка, А.И. Нелинейное улучшение изображений (Nonlinear image enhancement) / А.И.Пахирка, М.Н. Фаворская // Свидетельство № 2010610658. Зарегистрировано в Реестре программ для ЭВМ г. Москва, 31 марта 2010 г.

52. Понтрягин, Л. С. Непрерывные группы J Л. С. Понтрягин // 4-е изд., М.: Наука, 1984.-520 с.

53. Потапов, A.A. Фракталы в радиофизике и радиолокации: Топология выборки / A.A. Потапов // Изд. 2-е, перераб. и доп. - М.: Университетская книга, 2005. 848 с.

54. Радченко, Ю.С. Исследование спектрального алгоритма обнаружения" изменений в видеопоследовательности / Ю.С.Радченко, А.В.Булыгин, Т.А. Радченко // Изв. ВУЗОВ. Радиоэлектроника, ;№ 7, 2009. с. 49-59.

55. Сальников, И.И. Растровые пространственно-временные сигналы в системах анализа изображений / И.И. Сальников // М.: ФИЗМАТЛИТ, 2009. -248 с.

56. Сергунин, С.Ю. Схема динамического построения многоуровнего описания изображений / С.Ю.Сергунин, К.М.Квашнин, М.И. Кумсков // Сб. тр. 11-й всеросс. конф: «Математические методы распознавания образов (ММРО-11)», М., 2003. с. 436-439:

57. Слынько, Ю.В. Решение задачи одновременного сопровождения и оконтуривания методом максимального правдоподобия / Ю.В. Слынько // Цифровая обработка сигналов, № 4, 2008. с. 7-10

58. Солсо, Р. Когнитивная психология / Р. Солсо / СПб.: Питер, 6-е изд., 2006. 590 с.

59. Тарасов, И.Е. Разработка цифровых устройств на основе ПЛИС «Xi-linx»c применением языка VHDL / И.Е. Тарасов / М.: Горячая линия-Телеком, 2005. - 252 с.

60. Фаворская, М.Н. Разработка алгоритмов цифрового распознавания изображений в адаптивных робототехнических комплексах / М.Н*. Фаворская // Л!, Ленинградский ин-т авйац. приборостр., 1985. Рукопись деп: в ВИНИТИ 23.01.85. № 659-85 Деп.

61. Фаворская; М.Н. Применение спектральных методов для нормализации и распознавания изображений в адаптивных робототехнических комплексах / М.Н.*.Фаворская // Л., Ленинградский,ин-т авиац. приборостр., 1985. Рукопись деп. в ВИНИТИ23.01.85. № 660-85 Деп.

62. Фаворская, М.Н. Опыт разработки алгоритмов распознавания объектов для штамповочного производства / М.Н. Фаворская // В кн. «Состояние, опыт и направления работ по комплексной автоматизации на основе ГПС, РТК и ПР», Пенза, 1985. с. 64-66.

63. Фаворская, М.Н. Исследование проективных свойств групп объектов / М.Н. Фаворская, Ю.Б. Козлова // Вестник Сибирского государственного аэрокосмического университета. Вып. 3, Красноярск, 2002. - с. 99-105.

64. Фаворская, М.Н. Определение аффинной структуры объекта по движению / М.Н. Фаворская // Вестник Сибирского государственного аэрокосмического университета, Вып. 6, Красноярск, 2005. - с. 86-89.

65. Фаворская- М.Н. Общая классификация подходов к распознаванию изображений / М-.Н. Фаворская // В< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Фаворская М.Н. Инвариантные решающие функции в задачах распознавания статических изображений / М.Н. Фаворская // Вестник Сибирского государственного аэрокосмического университета. Вып. 1 (14), Красноярск, 2007. с. 65-70.

67. Фаворская, М.Н. Вероятностные методы сегментации видеопотока как задача с недостающими данными / М.Н. Фаворская // Вестник Сибирского государственного аэрокосмического университета. Вып. 3 (16), Красноярск, 2007. с. 4-8.

68. Фаворская, М.Н. Выбор целевых информативных признаков в системах распознавания изображений / М.Н. Фаворская // В материалах XI меж-дунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2007 с. 306-307.

69. Фаворская, М.Н. Стратегии сегментации двумерных изображений / М.Н. Фаворская // В материалах всероссийской научной конференции «Модели и методы обработки изображений ММОИ-2007», Красноярск, 2007. с. 136-140.

70. Фаворская, М.Н. Сегментация ландшафтных изображений на основе фрактального подхода / М.Н. Фаворская // В материалах 10-й международной конференции и выставке «Цифровая обработка сигналов и ее применение», М., 2008. с. 498-501.

71. Фаворская, М.Н. Модель распознавания изображений рукописного текста / М.Н. Фаворская, А.Н. Горошкин // Вестник Сибирского государст4 i, венного аэрокосмического университета. Вып. 2" (19), Красноярск, 2008. с. 52-58.

72. Фаворская, М.Н. Алгоритмы реализации оценки движения в системах видеонаблюдения / М.Н. Фаворская, A.C. Шилов // Системы управленияи информационные технологии. Перспективные исследования / ИПУ РАН; ВГТУ, № 3.3(33), М.-Воронеж, 2008. с. 408^12.

73. Фаворская, М.Н. К вопросу об использовании формальных грамматик при распознавании объектов в сложных сценах // М.Н. Фаворская / В материалах XIII междунар.научн.конф. «Решетневские чтения». В 2 ч. 4.2, Красноярск, 2009. с. 540-541.

74. Фаворская, М.Н. Распознавание динамических образов на основе предсказывающих фильтров / М.Н. Фаворская // Вестник Сибирского государственного аэрокосмического университета. Вып. 1(22) в 2 ч. 4f. 1, Красноярск, 20091 с. 64-68.

75. Фаворская, М.Н., Методы, поиска движения в.видеопоследовательностях / М.Н. Фаворская, А.И. Пахирка, A.C. Шилов; М.В. Дамов // Вестник. Сибирского государственного аэрокосмического университета. Вып. 1 (22) в 2 ч. Ч. 2, Красноярск, 2009. с. 69-74.

76. Фаворская, М.Н. Нахождение движущихся видео объектов, с применением- локальных 3D структурных тензоров / М.Н. Фаворская // Вестник Сибирского государственного аэрокосмического университета. Вып. 2 (23), Красноярск, 2009. с. 141-146.

77. Фаворская, М.Н. Оценка движения объектов в сложных сценах на основе тензорного подхода / М.Н. Фаворская // Цифровая обработка сигналов, № 1,2010.-с. 2-9.

78. Фаворская, М.Н. Комплексный расчет характеристик ландшафтных изображений / М.Н. Фаворская, Н.Ю. Петухов // Оптический журнал, 77, 8, 2010.-с. 54-60.

79. Файн, B.C. Опознавание изображений / B.C. Файн // М.: Наука, 1970.-284 с.

80. Форсайт, Д.А. Компьютерное зрение. Современный подход / Д.А. Форсайт, Дж. Понс // М.: издательский дом «Вильяме», 2004. 928 с.

81. Фу, К. Последовательные методы в распознавании образов и обучение машин / К. Фу / М.: Наука, 1971. 320 с.

82. Фу, К. Структурные методы в распознавании образов / К. Фу / М.: Мир, 1977.-320 с.

83. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага / М.: Наука, 1979. 368 с.

84. Шелухин, О.И. Самоподобие и фракталы. Телекоммуникационные приложения / О.И. Шелухин, А.В. Осин, С.М. Смольский / Под ред. О.И. Шелухина. М.: ФИЗМАТЛИТ, 2008. 368 с.

85. Шилов, А.С. Определение движения (MotionEstimation) / А.С. Шилов, М.Н. Фаворская // Свидетельство № 2009611014. Зарегистрировано в Реестре программ для ЭВМ г. Москва, 16 февраля 2009 г.

86. Ш.Шлезингер, М.И. Корреляционный метод распознавания последовательностей изображений / М.И. Шлезингер / В кн.: Читающие автоматы. Киев: Наук.думка, 1965. с. 62-70.

87. Шлезингер, М.И. Синтаксический анализ двумерных зрительных сигналов в условиях помех / М.И. Шлезингер // Кибернетика, № 4, 1976. - с.76-82.

88. Штарк, Г.-Г. Применение вейвлетов для ЦОС / Г.-Г. Штарк / Ml: Техносфера, 2007. 192 с.

89. Шуп, Т. Прикладные численные методы в физике и технике: Пер. с англ. / Т. Шуп / Под ред. С.П.Меркурьева; М.: Высш. Шк., 19901 - 255 с.11"5. Электр, ресурс: http:// www.cse.ohio-state.edu/otcbvs-bench

90. Электр, ресурс: http://www.textures.forrest.cz/ электронный ресурс (база текстурных изображений textures library forrest).

91. Электр, ресурс: http://www.ux.uis.no/~tranden/brodatz.html электронный ресурс (база текстурных изображений Brodatz).

92. Allili M.S., Ziou D. Active contours for video object tracking using region, boundary and shape information // SIViP, Vol. 1, no. 2, 2007. pp. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Robust estimation of camera motion using optical flow models // Lecture Notes in

94. Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 5875 LNCS (PART 1), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Video Event Classification using String Kernels // Multimed. Tools Appl., Vol. 48, no. 1, 2009. pp. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Action categorization in soccer videos using string kernels // In: Proc. of IEEE Int"l Workshop on Content-Based Multimedia Indexing (CBMI). Chania, Crete, 2009. pp. 13-18.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P., and Kaufhold J. Evaluation of localized semantics: Data, methodology, and experiments // International Journal of Computer Vision, IJCV 2008, Vol. 77, no. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Learning rules for semantic video event annotation // Lecture Notes In Computer Science; In: Proc. of Int"l Conference on Visual Information Systems (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. The recognition of human-movement using temporal templates // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, no. 3, 2001. pp. 257-267.

100. Boiman O., Irani M. Detecting irregularities in images and in video // International Journal of Computer Vision, Vol. 74, no. 1, 2007. pp. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. A Variational Model for Object Segmentation Using Boundary Information and Shape Prior Driven4 by the Mumford-Shah Functional // International Journal of Computer Vision, vol. 68, no. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Shadow-aware object-based video processing // IEEE Vision; Image and Signal Processing, Vol. 152, no. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Training SVM with indefinite kernels // In: Proc. of the 25th international conference on Machine learning (ICML), Vol. 307, 2008. pp. 136-143.

104. Cheung S.-M., Moon Y.-S. Detection of Approaching Pedestrians from a Distance Using Temporal Intensity Patterns // MVA2009, Vol. 10, no. 5, 2009. -pp. 354-357.

105. Dalai N., Triggs B., and Schmid G. Human detection using oriented histograms of flow and appearance // In ECCV, vol. II, 2006. pp. 428^141.

106. Dalai N., Triggs B. Histograms of Oriented Gradients for Human Detection // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. II, 2005-pp. 886-893.

107. Dani A.P., Dixon W.E. Single camera structure and motion estimation // Lecture Notes in Control and Information Sciences, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J., and Wang J. Z1 Image retrieval: Ideas, influences, and trends of the new age // ACM"-Computing Surveys, Vol. 40:, no: 2, 2008. ■ -pp. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. Fast motion estimation with interpolation-free sub-sample accuracy // IEEE Transactions on Circuits and Systems for Video Technology 20 (7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Behavior recognition via sparse spatio-temporal features // In: Proc. 2nd Joint IEEE International Workshop on Evaluation of Tracking and Surveillance, VS-PETS, 2005. pp. 65-72.

111. Donatini P. and Frosini P. Natural pseudodistances between closed surfaces // Journal of the European Mathematical Society, Vol. 9, no. 2, 2007 pp. 231-253.

112. Donatini P. and Frosini P. Natural pseudodistances between closed curves // Forum Mathematicum, Vol. 21, no. 6, 2009. pp. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Visual event detection using multi-dimensional concept dynamics // In: Proc. of IEEE Int"l Conference on Multimedia and Expo (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Realistic 3D-modeling of Forest Growth with Natural Effect // Proceedings of the Second KES International Symposium IDT 2010, Baltimore. USA. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: An ontology framework for representing and annotating video events // IEEE Multimedia, Vol: 12; no. 4, 2005. pp. 76-86.

116. Gao J., Kosaka A:, Kak A.C. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered" Environments // IEEE Com-puter Vision and Image Understanding, 2005, V. 1, no. 1. pp. 1-57.

117. Gui L., Thiran J.-P., Paragios N. Joint Object Segmentation and Behavior Classification in Image Sequences // IEEE Conf. on Computer Vision and Pattern Recognition, 17-22 June 2007. pp. 1-8.

118. Haasdonk B. Feature space interpretation of SVMs with indefinite kernels // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 27, no. 4, 2005. pp. 482-492.

119. Harris C. and Stephens M. A combined corner and edge detector // In Fourth Alvey Vision Conference, Manchester, UK, 1988. pp. 147-151.

120. Haubold A., Naphade M. Classification of video events using 4-dimensional- time-compressed motion features // In CIVR "07: Proceedings of the6th ACM international confcrcnce on Image and video retrieval, NY, USA, 2007. -pp. 178-185.

121. Haykin S. Neural Networks: A Comprehensive Introduction. / N.Y.: Prentice-Hall, 1999;.- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. and Ohm J.-R. A Robust Approach to Global Motion Estimation for Content-based Video Analysis // Proceedings of SPIE Vol. 5601, Bellingham, WA, 2004. pp. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing using hierarchical motion analysis // IEEE Transactions on Circuits and Systems for Video Technology 20 (5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees and K-trees: A Generalized Approach to Recursive Decomposition of Euclidean Space // IEEE Transactions onPAMI, Vol. 5, no. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R:, Hebert Mi. Efficient visual event detection using volumetric features // In: Proc. of Int"l Conference on Computer Vision (ICCV), vol.1, 2005.-pp. 166-173.

126. Klaser A., Marszalek M., and Schmid C.A Spatio-Temporal Descriptor Based on 3D-Gradients // In BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, К Learning a hierarchy of discriminative space-time neighborhood features for human action recognition // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition ,2010. pp.2046-2053 .

128. Kumskov M.I. Calculation Scheme of the Image Analysis Controlled by the Models of the Objects to be Recognized // Pattern Recognition and Image Analysis, Vol. 11, no. 2, 2001. p. 446-449:

129. Kwang-Kyu S. Content-based image retrieval by combining genetic algorithm and support vector machine // In ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. A study on the three-dimensional coordinate calibration using fuzzy system // International Symposium on Computer, Communication, Control and Automation 1, 2010. - pp. 358-362.

131. Laptev I. On space-time interest points // International Journal of Computer Vision, Vol. 64, no. 23, 2005. pp. 107-123.

132. Leibe B., Seemann E., Schiele B. Pedestrian Detection in- Crowded* Scenes // IEEE Conference on Computer Vision and"Pattern Recognition, Vol. 1, 2005.-pp. 878- 885.

133. Lew M. S., Sebe N., Djeraba C., and Jain R. Content-based multimedia information1 retrieval: State of the art and challenges // ACM Transactions on Multimedia Computing, Communications, and Applications, Vol. 2, no. 1, 2006. pp. 1-19.

134. Li J. and Wang J. Z. Real-time computerized annotation of pictures // IEEE Trans. PAMI, Vol. 30, 2008. pp. 985-1002.

135. Li L., Luo R., Ma R., Huang W., and Leman K. Evaluation of An IVS System for Abandoned Object Detection on PETS 2006 Datasets // Proc. 9 IEEE Intern. Workshop on PETS, New York, 2006. pp. 91-98.

136. Li L., Socher R., and Fei-Fei L. Towards Total Scene Understanding: Classification, Annotation and Segmentation in an Automatic Framework // IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2009. pp. 2036-2043.

137. Li Q., Wang G., Zhang G.} Chen S. Accurate global motion estimation based on pyramid with mask // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, Vol: 21, no. 6, 2009. pp. 758-762.

138. Lindeberg T., Akbarzadeh A. and Laptev I. Galilean-diagonalized spatio-temporal interest operators // Proceedings of the 17th International Conference on Pattern Recognition (ICPR"04), 2004. pp. 1051-1057.

139. Lim J., Barnes,N. Estimation of the epipole using optical flow at antipodal points // Computer Vision and Image Understanding 114, no. 2, 2010. pp. 245-253.

140. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision, Vol. 60, no. 2, 2004. pp. 91-110.

141. Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // International Joint Conference on Artificial Intelligence, 1981. pp. 674-679.

142. Mandelbrot B;B. The Fractal Geometry of Nature / N.Y.: Freeman^ 1982. 468 p.; русс, пер.: Мандельброт Б. Фрактальная, геометрия природы: Пер. с англ. / М.: Институт компьютерных исследований, 202. - 658 с.

143. Mandelbrot В.В., Frame M.L. Fractals, Graphics, and Mathematics Education/N. Y.: Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractals and Chaos: The Mandelbrot Set.and Beyond / N.Y.: Springer-Verlag, 2004. 308 p.

145. Memoli F. On the use of Gromov-Hausdorff distances for shape comparison // Proceedings of the Eurographics Symposium on Point-Based Graphics. Prague, Czech Republic, 2007. pp. 81-90.

146. Mercer J. Functions of positive and negative type and their connection with the theory of integral equations // Transactions of the London Philosophical Society (A), vol. 209, 1909. pp. 415-446.

147. Mikolajczyk K. Detection of local features invariant to affine transformations, Ph.D.thesis, Institut National Polytechnique de Grenoble, France. 2002.171 p.

148. Mikolajczyk K. and Schmid G. An Affine Invariant Interest Point Detector // Proceedings of ECCV. Vol. 1. 2002. pp. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Human action recognition using extreme learning machine based on visual vocabularies // Neurocomputing, Vol. 73 (10-12), 2010. pp. 1906-1917.

150. Mladenic D., Skowron A., eds.: ECML. Vol. 4701 of Lecture Notes in Computer Science, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Video block motion estimation based on gray-code kernels // IEEE Transactions on Image Processing 18 (10), 2009. pp. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Pedestrian Detection using 3D Optical Flow Sequences for- afMobile Robot // IEEE Sensors, 2008. pp: 116-119:

153. Needleman, S.B:,. Wunsch C.D; A general method applicable to the search for similarities in the* amino acid sequence of two proteins // Journal"of Molecular Biology Vol. 48, no: 3, 1970. pp. 443-453.

154. Neuhaus M., Bunke H. Edit distance-based kernel functions-for structural pattern classification // Pattern Recognition. Vol. 39, no. 10, 2006. pp: 1852-1863.

155. Nevatia R., Hobbs J., and Bolles B. An ontology for video event representation // In Workshop on Event Detection and Recognition. IEEE, Vol.12, no. 4, 2004. pp. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. A robust method for camera motion estimation in movies based on optical flow // The 6th International

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.

Next

Огромное Вам СПАСИБО за очень полезную информацию в статье. Очень понятно все изложено. Чувствуется, что проделана большая работа по анализу работы магазина eBay
- rootshell
  
  Спасибо вам и другим постоянным читателям моего блога. Без вас у меня не было бы достаточной мотивации, чтобы посвящать много времени ведению этого сайта. У меня мозги так устроены: люблю копнуть вглубь, систематизировать разрозненные данные, пробовать то, что раньше до меня никто не делал, либо не смотрел под таким углом зрения. Жаль, что только нашим соотечественникам из-за кризиса в России отнюдь не до шоппинга на eBay. Покупают на Алиэкспрессе из Китая, так как там в разы дешевле товары (часто в ущерб качеству). Но онлайн-аукционы eBay, Amazon, ETSY легко дадут китайцам фору по ассортименту брендовых вещей, винтажных вещей, ручной работы и разных этнических товаров.
  - Next
    
    В ваших статьях ценно именно ваше личное отношение и анализ темы. Вы этот блог не бросайте, я сюда часто заглядываю. Нас таких много должно быть. Мне на эл. почту пришло недавно предложение о том, что научат торговать на Амазоне и eBay. И я вспомнила про ваши подробные статьи об этих торг. площ. Перечитала все заново и сделала вывод, что курсы- это лохотрон. Сама на eBay еще ничего не покупала. Я не из России , а из Казахстана (г. Алматы). Но нам тоже лишних трат пока не надо. Желаю вам удачи и берегите себя в азиатских краях.
rootshell

Еще приятно, что попытки eBay по руссификации интерфейса для пользователей из России и стран СНГ, начали приносить плоды. Ведь подавляющая часть граждан стран бывшего СССР не сильна познаниями иностранных языков. Английский язык знают не более 5% населения. Среди молодежи — побольше. Поэтому хотя бы интерфейс на русском языке — это большая помощь для онлайн-шоппинга на этой торговой площадке. Ебей не пошел по пути китайского собрата Алиэкспресс, где совершается машинный (очень корявый и непонятный, местами вызывающий смех) перевод описания товаров. Надеюсь, что на более продвинутом этапе развития искусственного интеллекта станет реальностью качественный машинный перевод с любого языка на любой за считанные доли секунды. Пока имеем вот что (профиль одного из продавцов на ебей с русским интерфейсом, но англоязычным описанием):
https://uploads.disquscdn.com/images/7a52c9a89108b922159a4fad35de0ab0bee0c8804b9731f56d8a1dc659655d60.png

Пространственные и динамические модели. Объемно – Пространственная Модель Пространственные и динамические модели

Рекомендованный список диссертаций

Реконструкция изображений на основе пространственно-временного анализа видеопоследовательностей 2011 год, кандидат технических наук Дамов, Михаил Витальевич

Компьютерный метод локализации лиц на изображениях в сложных условиях освещения 2011 год, кандидат технических наук Пахирка, Андрей Иванович

Теория и методы морфологического анализа изображений 2008 год, доктор физико-математических наук Визильтер, Юрий Валентинович

Похожие диссертационные работы по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Метод и система обработки динамических медицинских изображений 2012 год, кандидат технических наук Марьяскин, Евгений Леонидович

Заключение диссертации по теме «Теоретические основы информатики», Фаворская, Маргарита Николаевна

Список литературы диссертационного исследования доктор технических наук Фаворская, Маргарита Николаевна, 2011 год