Выбор метода распознавания для изображений знаков безопасности

Задача распознавания образов достаточно сложна, и на сегодняшний день существует большое множество разнообразных методов решения этого вопроса, так как необходимость распознавания изображений возникает
 в самых разных областях. Следовательно, разработка специального алгоритма для распознавания знаков безопасности нецелесообразна. Поэтому предлагается рассмотреть следующие существующие методы.

Нейросетевые методы распознавания изображений

Использование классических нейронных сетей для распознавания изображений затруднено, как правило, большой размерностью вектора входных значений нейронной сети, большим количеством нейронов в промежуточных слоях и, как следствие, большими затратами вычислительных ресурсов на обучение
 и вычисление сети. Поэтому предлагается рассмотреть свёрточные нейронные сети.

Свёрточная нейронная сеть (convolutional neural network, CNN) — специальная архитектура искусственных нейронных сетей, нацеленная на эффективное распознавание изображений, относящаяся к технологиям глубокого обучения.

Эта технология построена по аналогии с принципами работы зрительной коры головного мозга, в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Таким образом, идея сверточных нейронных сетей заключается в чередовании сверточных слоев и субдискретизирующих слоев, слоёв подвыборки.

Однако, использование этого метода предполагает подбор варьируемых параметров сети, таких как: количество слоев, размерность ядра свёртки для каждого из слоёв, количество ядер для каждого из слоёв, шаг сдвига ядра при обработке слоя, необходимость слоев субдискретизации, степень уменьшения ими размерности, функция по уменьшению размерности, передаточная функция нейронов, наличие и параметры выходной полносвязной нейросети на выходе свёрточной.

Всё это множество параметров существенно влияет на результат. Существует несколько хорошо работающих конфигураций сетей, но нет правил, по которым нужно подбирать параметры для новой задачи, поэтому на разработку конфигурации сети, которая будет оптимально распознавать изображения специализированных знаков безопасности потребуется много времени.

Распознавание изображений на основе контурного анализа

Метод контурного анализа – это метод распознавания объектов, основанный на работе с силуэтными линиями объекта, так называемыми границами, разделяющими разные области, которые имеют равномерную яркость.

Граница представляет из себя совокупность пикселей. Для того чтобы определить границу объекта, на изображении выбирается начальная точка, последующие точки описываются комплексными числами, характеризующими смещение точки относительно предыдущей. Размер смещения по оси Х задаёт действительная часть, а по оси Y – мнимая часть.

Метод контурного анализа изображения предполагает предварительное преобразование данных в бинарный формат, повышение контрастности, удаление шумов и помех, небольшое сглаживание. Затем производятся выделение
и фильтрация по площади и периметру контуров для работы, преобразование их
 в вид, обеспечивающий единообразие по длине и сглаживанию. После этого осуществляется поиск максимально близкого к данному контуру шаблона путем перебора всей коллекции найденных контуров.

Несмотря на то, что метод инвариантен к изменениям угла поворота
 и масштаба, он имеет следующие недостатки.

На процесс выделения контура в изображении могут повлиять такие факторы как: зашумление помехами, размытость, отсутствие чёткой границы. Поскольку исходное изображение является фотографией, сделанной с помощью мобильного устройства, то очень вероятно присутствие на ней шумов и размытости, что в свою очередь может привести к неправильному определению контура.