Аннотация.

Системы распознавания и машинного зрения уже долгое время широко задействуются во многих дисциплинах с целью автоматизации различных процессов жизнедеятельности и промышленности. Входные изображения систем оптического распознавания могут подвергаться большому количеству различных искажений, особенно в неконтролируемых или естественных условиях съемки, что приводит к непредсказуемым результатам систем распознавания, делая невозможным оценку их достоверности. По этой причине необходимо производить контроль качества входных данных систем распознавания, чему способствует современный прогресс в области оценки качества изображений. В данной работе исследуется подход к построению систем распознавания образов со встроенными модулями оценки качества входных изображений и обратной связью, для чего введены необходимые определения и построена модель описания таких систем. Работоспособность подхода иллюстрируется на примере решения задачи выбора наилучших кадров для распознавания в видеопотоке. Приводятся экспериментальные результаты с системой распознавания документов, удостоверяющих личность, показывающие значительное увеличение точности и скорости работы системы при искусственно моделируемых условиях автоматической фокусировки камеры, приводящим к размытию кадров.

Ключевые слова:

системы распознавания, оценка качества изображений, системный анализ, видеопоток, дефокус, размытие.

Стр. 71-82.

Полная версия статьи в формате pdf. 

Литература

1. H. Golnabi and A. Asadpour, “Design and application of industrial machine vision systems,” Robotics and Computer-Integrated Manufacturing, vol. 23, no. 6, pp. 630–637, 2007.
2. O. Russakovsky et al., “Imagenet large scale visual recognition challenge,” International Journal of Computer Vision, vol. 115, no. 3, pp. 211–252, 2015.
3. K. B. Bulatov and D. V. Polevoy, “Reducing overconfidence in neural networks by dynamic variation of recognizer relevance.” in ECMS, 2015, pp. 488–491.
4. В. Арлазаров, К. Булатов, С. Карпенко, “Метод определения надежности распознавания в задаче распознавания тисненых символов,” Труды ИСА РАН, том. 63, №3, с. 117–122, 2013.
5. В. Арлазаров, А. Жуковский, В. Кривцов, Д. Николаев, Д. Полевой, “Анализ особенностей использования стационарных и мобильных малоразмерных цифровых видео камер для распознавания документов,” Информационные технологии и вычислительные системы, №3, 2014.
6. S. F. Dodge and L. J. Karam, “Understanding how image quality affects deep neural networks,” CoRR, vol. abs/1604.04004, 2016.
7. P. Mohammadi, A. Ebrahimi-Moghadam, and S. Shirani, “Subjective and objective quality assessment of image: A survey,” CoRR, vol. abs/1406.7799, 2014.
8. A. Dutta, R. N. J. Veldhuis, and L. J. Spreeuwers, “Predicting face recognition performance using image quality,” CoRR, vol. abs/1510.07119, 2015.
9. P. Ye and D. Doermann, “Document Image Quality Assessment: A Brief Survey,” 2013 12th International Conference on Document Analysis and Recognition, pp. 723–727, 2013.
10. G. J. Awcock and R. Thomas, Applied image processing. McGraw-Hill, Inc., 1995.
11. S. T. Bow, Pattern recognition and image preprocessing. CRC press, 2002.
12. M. A. Povolotskiy, E. G. Kuznetsova, and T. M. Khanipov, “Russian license plate segmentation based on dynamic time warping,” in European conference on modelling and simulation, 2017, proceedings., 2017, pp. 285–291.
13. C. Gürel and A. Erden, “Design of a face recognition system,” in Proc. The 15th int. Conference on machine design  and production (umtik 2012), 2012.
14. K. Bulatov, V. Arlazarov, T. Chernov, O. Slavin, and D. Nikolaev, “Smart IDReader: Document recognition in video stream,” in 7th international workshop on camera based document analysis and recognition, 2017.
15. F. Schroff, D. Kalenichenko, and J. Philbin, “Facenet: A unified embedding for face recognition and clustering,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 815–823.
16. T. Manzhikov, O. Slavin, I. Faradzhev, and I. Janiszewski, “N-grams algorithm application for the correction of recognition results,” Вестник Российского фонда фундаментальных исследований, vol. 92, no. 4, pp. 116–123, 2016.
17. J. G. Fiscus, “A post-processing system to yield reduced word error rates: Recognizer output voting error reduction (rover),” in Automatic speech recognition and understanding, 1997. Proceedings., 1997, pp. 347–354.
18. A. Minkina, D. Nikolaev, S. Usilin, and V. Kozyrev, “Generalization of the viola-jones method as a decision tree of strong classifiers for real-time object recognition in video stream,” in ICMV 2014, proceedings., 2015.
19. X. Wang et al., “Client side filtering of card ocr images.” Google Patents, dec~2-2014.
20. E. A. Shvets and D. P. Nikolaev, “Complex approach to long-term multi-agent mapping in low dynamic environments,” in 8’th international conference on machine vision, 2015.
21. X. Xu, Y. Wang, J. Tang, X. Zhang, and X. Liu, “Robust automatic focus algorithm for low contrast images using a new contrast measure,” Sensors, vol. 11, no. 9, pp. 8281–8294, 2011.