Реализация алгоритма корреляции на примере программы распознавания автомобильных номеров

Введение. Цели и задачи практической работы, сущность проблемы, способы решения поставленной задачи, полученные результаты. Автомобильный номер — индивидуальный регистрационный номер автомобиля. Он обычно изображается на световозвращающем листе металла или пластмассы (номерной знак) на передней и задней сторонах машины, или на бумажной основе и размещается под передним (ветровым) или задним стеклом транспортного средства. Автомобильный код указывает на административную единицу субъекта РФ, в которой зарегистрировано транспортное средство. Целью работы ставится разработка алгоритма и программы, предназначенной для распознавания закодированной информации на регистрационном номере автомобиля.

---

Если нужно срочно заказать контрольную работу в москве в Хабаровске , воспользуйтесь сервисом Work5.

---

. В основе алгоритма положен математический метод корреляции. Актуальность программы обусловлена необходимостью модернизации функционирования государственных служб, повышения эффективности их работы. Программное обеспечение для распознавания образов разрабатывается многими компаниями и является одним из инновационных продуктов на современном рынке.

10. Заключение. Предлагаемый алгоритм обеспечивает высокую надежность распознавания и может быть положен в основу конструкции читающего автомата. Методы теории статистических решений применялись для распознавания и раньше (см. [36], [37]). Но при этом не рассматривались конкретные виды искажений и алгоритмы не были доведены до рабочего состояния. Описанный алгоритм распознавания отличается от других алгоритмов, основанных на вычислении скалярных произведений (см. [38], [39]), тем, что предложен метод определения эталонов, оптимальный при рассматриваемых условиях. Идея сравнения распознаваемого изображения с эталонными не является новой [40]. Однако легко убедиться, что непосредственное вычисление скалярных произведений векторов, описывающих изображения, не обе¬спечивает правильного распознавания. Необходимо так или иначе осуществить вычитание среднего и нормировку эталонных изображений.

1. ГЛУШКОВ В.М., В.А.КОВАЛЕВСКИЙ, В.И.РЫБАК. Универсальная установка для исследования алгоритмов распознавания изображений // Принципы построения самообучающихся систем.- Киев: Гостехиздат УССР, К., 1962. – С. 63-72. 2. ГЛУШКОВ В.М. Теория обучения одного класса дискретных персептронов // Журн. Вычислительной математики и мат. физики.- 1962.- № 2.- С. 317-335. 3. ГЛУШКОВ В.М. К вопросу о самообучении в персептроне // Там же. - № 6.- С. 1102-1110. 4. КОВАЛЕВСКИЙ В.А. Корреляционный метод распознавания изображений // Журн. Вычислительной математики и мат. физики.- 1962.- 2, № 4.- С. 684-689. 5. БАРАШКО А.С., КОВАЛЕВСКИЙ В.А. и др. Корреляционный читающий автомат со сдвиговым регистром ЧАРС // Читающие автоматы. – Киев: Наук. думка, 1965.- C. 184-207. 6. КОВАЛЕВСКИЙ В.А. Задача распознавания образов с точки зрения математической статистики // Читающие автоматы. – Киев: Наук. думка, 1965.- С.3-41. 7. ВАПНИК В.Н., ЧЕРВОНЕНКИС А.Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974. 415 с. 8. Шлезингер М.И. Взаимосвязь обучения и самообучения в распознавании образов // Кибернетика.- 1968.- № 2.- С. 81-88. 9. DEMSTER A., LAIRD N., RUBIN D. Maximum likelihood from incomplete data via the EM algorithm // Journal of the Royal Statistic Society.- 1977.- Vol. B39.- P. 1-38. 10. КОВАЛЕВСКИЙ В.А. Алгоритм разделения машинописной строки на знаки при отсутствии пробелов // ІІІ Всесоюзная конференция по информационно-поисковым системам и автоматизированной обработке научно-технической информации.- Т. 3.- М.: Всесоюз. ин-т научной и техн. Информации, 1967.- С. 156-164. 11. ВИНЦЮК Т.К. Распознавание устной речи методами динамического программирования // Кибернетика.- 1968. - № 1. – С. 81-88. 12. ВИНЦЮК Т.К. Анализ, распознавание и интерпретация речевых сигналов.- Киев: Наук. думка, 1987.- 262 с. 13. ШЛЕЗИНГЕР М.И., ГЛАВАЧ В. Десять лекций по статистическому и структурному распознаванию. – Киев: Наук. думка, 2004, 546 с. 14. ШЛЕЗИНГЕР М.И. Двумерное обобщение контекстно-свободных языков и грамматик // Методы и средства информатики речи.- Киев: Ин-т кибернетики НАН Украины, 1991.- С. 36-47. 15. ШЛЕЗИНГЕР М.И. Синтаксический анализ двумерных зрительных сигналов в условиях помех // Кибернетика.- 1976.- № 4.- С. 113-130. 16. КОВАЛЬ В.К., ШЛЕЗИНГЕР М.И. Двумерное программирование в задачах анализа изображений // Автоматика и телемеханика.- 1976.- № 8.- С. 149-168. 17. JEAVONS P.G., COHEN D.A., COOPER M.C. Constraints, consistency and closure. Artificial Intelligence, 101(1 2):251-265, 1998. 18. BOROS E., HAMMER P.L. Pseudo-Boolean Optimization // Discrete Applied Mathematics.- 2002.- Vol. 123, 1-3, (November 2002).- P. 155-225. 19. МАЦЕЛЛО В.В., ПРОВАЛОВ Ю.Л., ШАРЫПАНОВ В.М., Шлезингер М.И.Система ввода и обработки графической информации // УСиМ.—1986. – №. 6. – С. 66-60. 20. МАЦЕЛЛО В.В. Система автоматизированного кодирования эскизов принципиальных схем. // УСиМ.—1989. – №. 2. – С. 108-111. 21. КИЙКО В.М. Автоматическое кодирование изображений слоев топологии печатных плат // УСиМ.—1988. – №. 5. – С. 86-89. 22. ШЛЕЗИНГЕР М.И., ГИГИНЯК В.В. Решение (max,+)-задач структурного распознавания с помощью их эквивалентных преобразований І // УСиМ.—2007. – №. 1. – С. 3-15. 23. ШЛЕЗИНГЕР М.И., ГИГИНЯК В.В. Решение (max,+)-задач структурного распознавания с помощью их эквивалентных преобразований ІІ // УСиМ.—2007. – №. 2. – С. 5-17, 24. SCHLESINGER M. I., FLACH B. Some solvable subclasses of structural recognition problems. // Czech Pattern Recognition Workshop. – Praha. – 2000. – P. 55-62. 25. SCHLESINGER M. I., FLACH B. Analysis of optimal labelling problems and their application to image segmentation and binocular stereovision // Proceedings East-West-Vision 2002 (EWV'02), Franz Leberl, Andrej Ferko (eds.), International Workshop & Project Festival on Computer Vision, Computer Graphics, New Media.- P. 55-60. 26. WERNER Т. A Linear Programming Approach to Max-sum Problem: // A review. ftp://cmp.felk.cvut.cz/pub/cmp/articles/werner/Werner-TR-2005-25.pdf. (Будет опубликована в Pattern Analysis and Machine Intelligence в мае 2007). 27. ВИНЦЮК Т.К. Генеративна модель образного комп’ютера // Шоста Всеукраїнська міжнародна конференція (УкрОБРАЗ’2002): Праці.- Київ: Укр. Асоціація з оброблення інформації та розпізнавання образів, 2002.- С. 7-14. 28. РЯБОКОНЬ Д.И. Пространственная реконструкция поверхностей по стереопаре изображений с помощью алгоритмов поиска минимального сечения на графе // УСиМ.—2004. – №. 3. – С. 47-51. 29. РЯБОКОНЬ Д.И. Восстановление пространственной конфигурации объектов и сцен по их стереоизображениям // УСиМ.—2005. – №. 1. – С. 22-31. 30. КОВТУН И.В. Текстурная сегментация изображений на основании марковских случайных полей// УСиМ.—2003. – №. 4. – С. 46-55. 31. КИЙКО В.М., КИЙКО К.В., МАЦЕЛЛО В.В., ПРОВАЛОВ Ю.Л., ШАРИПАНОВ В.М. Система доступу до приміщення на основі розпізнавання людських облич //Восьма Всеукраїнська міжнародна конференція (УкрОБРАЗ’2006), Київ, 28-31 серпня 2006: Праці.- Київ: Міжнародний науково-навчальний центр інформаційних технологій та систем, 2006.- С. 123-126. 32. ШЛЕЗІНГЕР М.І., САВЧИНСЬКИЙ Б.Д., АНОХІНА М.О. Синтаксичний аналіз та розпізнавання друкованих нотних текстів // Управляющиеся системы и машины. – 2003.- № 4.- С. 30-38. 33. РЯБОКОНЬ Д.І. Створення тривимірних моделей об’єктів за стерео парами зображень для електронних музеїв // Електронні зображення та візуальні мистецтва EVA 2002, Київ, 22-24 травня 2002 року: Пр. Конф.- Київ 2002.- С. 61-68. 34. Розробка концепції образного мислення в інтелектуальних інформаційних технологіях: Звіт про НДР, виконану в рамках програми ДНТП „Образний комп’ютер” / Міжнародний науково-навчальний центр інформаційних технологій та систем; Науковий керівник Шлезінгер М.І.- № ДР 0104U008470; Інв. № 0205U004231.- К., 2004.- 231 с. 35. КРАМЕР Г. Математические методы статистики. М., Изд-во ин. лит., 1948. 36. ЧЖОУ С. К. Оптимальная система распознавания знаков с помощью решающих функций. Математика. Сб. перев. и обз. ин. период. лит., 1959, Кг 3, 143— 156. 37. МАRILL Т., GRЕЕN D. M. Statistical recognition functions and the design of pattern recognizers. IRE Trans., 1960, EC-9, № 4, 472—477. 38. ROSENBLATT F. Perceptron simulation experiments. Proc. IRE, 1960, 48, № 3, 301—309. 39. TAYLOR W. K. Pattern recognition by means of automatic analogue apparatus. Proc. IRE, 1959, 106B, № 26, 198—209. 40. STEINBUCH K. Automatische Zeichenerkennung. Nachrichtentechn. Z., 1958, № 5, 237—244. 41. http://www.recognition.mccme.ru/pub/RecognitionLab.html/methods. html 42. АБРАМЕНКО А. OCR-системы. "Наука и жизнь" номер 11, 1993 г.