GÁN NHÃN ĐỐI TƯỢNG DỰA VÀO KỸ THUẬT NHẬN DẠNG

- GÁN NHÃN ĐỐI TƯỢNG DỰA VÀO KỸ THUẬT NHẬN DẠNG.
- Nhận dạng và gán nhãn cho hình ảnh đóng vai trò quan trọng trong nhiều ứng dụng thực tế về khoa học kĩ thuật cũng như trong cuộc sống thường ngày như: sản xuất và kiểm tra chất lượng, sự di chuyển của Robot, các phương tiện đi lại tự trị, công cụ hướng dẫn cho người mù, an ninh và giám sát, nhận dạng đối tượng, nhận dạng mặt, các ứng dụng trong y học, sản xuất, hiệu chỉnh video,….
- Một trong những ứng dụng quan trọng, là việc nhận dạng và gán nhãn cho các loại hình ảnh.
- Tự động nhận dạng ảnh và đặt vị trí nhãn là một lĩnh vực trong trực quan hóa thông tin.
- Bài toán nhận dạng và gán nhãn đã được đề cập, nghiên cứu nhiều trên thế giới.
- Vì vậy, đề tài này được xây dựng với các mục đích: Tìm hiểu về bài toán nhận dạng hình ảnh và gán nhãn, ứng dụng của nó trong các lĩnh vực.
- Từ đó thiết kế một chương trình thử nghiệm nhận dạng và gán nhãn cho một ảnh cụ thể..
- Chương 1: Khái quát về gán nhãn và bài toán nhận dạng đối tượng.
- Đồng thời nói về bài toán nhận dạng đối tượng, vai trò và tầm quan trọng của bài toán nhận dạng đối tượng, các phương pháp nhận dạng đối tượng cũng như một số hệ thống nhận dạng đối tượng nổi tiếng trên thế giới.
- Chương 2: Một số vấn đề trong nhận dạng đối tượng sử dụng mạng nơron.
- Chương 2 đề cập đến một số vấn đề trong nhận dạng đối tượng sử dụng mạng nơron.
- Mô tả kiến trúc của một hệ thống nhận dạng đối tượng sử dụng mạng nơron nhân tạo và cách thiết kế, huấn luyện mạng nơron nhân tạo cho việc nhận dạng..
- Chương này áp dụng các kiến thức nghiên cứu trong chương 1 và chương 2, sử dụng mạng nơron nhiều lớp lan truyền ngược và kỹ thuật gán nhãn để xây dựng một chương trình nhận dạng ký tự..
- CHƯƠNG 1: KHÁI QUÁT VỀ GÁN NHÃN VÀ BÀI TOÁN NHẬN DẠNG ĐỐI TƯỢNG.
- Đồng thời nói về bài toán nhận dạng đối tượng, vai trò và tầm quan trọng của bài toán nhận dạng đối tượng, các phương pháp nhận dạng đối tượng cũng như một số hệ thống nhận dạng đối tượng nổi tiếng trên thế giới..
- Thứ hai: tự động phân tích nhận dạng ảnh hay đoán nhận ảnh và đánh giá các nội dung của ảnh..
- Xử lý ảnh mức cao: là quá trình phân tích và nhận dạng hình ảnh.
- Một cách tổng quát thì những chức năng xử lý bao gồm cả nhận dạng và giải thích thường chỉ có mặt trong hệ thống phân tích ảnh tự động hoặc bán tự động, được dùng để rút trích ra những thông tin quan trọng từ ảnh, ví dụ như các ứng dụng nhận dạng kí tự quang học, nhận dạng chữ viết tay vv…..
- Gán nhãn cho đối tượng là xác định nhãn phân loại cho từng thành phần trong đối tượng quan sát được.
- Gán nhãn cho đối tượng được sử dụng nhiều trong các bài toán gán nhãn từ loại, nhận dạng hình ảnh, âm thanh hay các bài toán về dự đoán gen.
- Trong bài toán gán nhãn cho đối tượng thành công, nhãn phải được đặt sao cho người xem dễ đọc và theo tiêu chuẩn chất lượng thẩm mỹ cơ bản.
- Nhãn phải được đặt ở vị trí tốt nhất có sẵn theo một số quy tắc cơ bản: Nhãn phải được dễ dàng đọc, nhanh chóng xác định vị trí một nhãn và đối tượng mà nó thuộc về thì nên được dễ dàng thừa nhận, nhãn phải được đặt rất gần với các đối tượng của chúng, nhãn không được che khuất các nhãn khác hoặc các đối tượng khác, một nhãn phải được đặt ở vị trí thích hợp nhất trong số tất cả các vị trí dễ đọc.
- Không có sự chồng chéo của một nhãn với các nhãn khác, các đối tượng đồ họa khác của bản vẽ..
- Mỗi nhãn có thể dễ dàng được xác định là của đối tượng nào trong hình vẽ..
- Bài toán nhận dạng đối tượng..
- Trong rất nhiều lĩnh vực như điều khiển, tự động hóa, công nghệ thông tin…, nhận dạng được đối tượng là vấn đề mấu chốt.
- Nhận dạng là bước đầu tiên và quan trọng nhất của nhiều lĩnh vực khoa học, đặc biệt trong lĩnh vực điều khiển và tự động hóa nếu không nhận dạng chính xác đối tượng điều khiển thì sẽ không có giải pháp tối ưu nhất để điều khiển chúng..
- Từ việc một đối tượng phải được nhận dạng từ sự xuất hiện của nhiều vật thể, sự phức tạp của nhận dạng đối tượng phụ thuộc vào nhiều yếu tố.
- Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô hình nào đó và gán chúng một tên (gán cho đối tượng một tên gọi, tức là một dạng) dựa theo những quy luật và mẫu chuẩn..
- Nhận dạng đối tượng dùng thống kê.
- Khái niệm: Nhận dạng đối tượng dùng thống kê là một phương pháp nhận dạng đối tượng dựa vào các đặc tính thống kê của các đối tượng.
- Nhận dạng đối tượng dùng thống kê sử dụng các phương pháp máy học dựa trên thống kê để học và rút ra đối tượng tham khảo từ một lượng dữ liệu lớn..
- Nhận dạng dựa theo cấu trúc Biểu diễn định tính.
- Giả thiết rằng, mỗi đối tượng được biểu diễn bởi một dãy ký tự, các đặc tính biểu diễn bởi cùng một số ký tự..
- Phương pháp nhận dạng ở đây là nhận dạng logic, dựa vào hàm phân biệt là hàm Bool.
- Cách nhận dạng là nhận dạng các từ có cùng độ dài..
- Nhận dạng dựa trên mạng nơron Giới thiệu.
- Xét trường hợp đối tượng phi tuyến có độ phức tạp cao, nếu sử dụng phương pháp giải tích thông thường để nhận dạng sẽ rất khó khăn, thậm chí không thực hiện được do sự hiểu biết nghèo nàn về đối tượng.
- xỉ -chính là nhận dạng đối tượng.
- Mạng nơron là một trong những công cụ hữu hiệu để nhận dạng mô hình đối tượng, bằng phương pháp này ta không biết được mô hình toán thực sự của đối tượng nhưng hoàn toàn có thể sử dụng kết quả xấp xỉ để thay thế đối tượng..
- Một số hệ thống nhận dạng đối tượng hiện nay.
- Quy trình hoạt động của một hệ thống nhận dạng đối tượng.
- CHƯƠNG 2: NHẬN DẠNG ĐỐI TƯỢNG SỬ DỤNG MẠNG NƠRON.
- Chương 2 đề cập đến một số vấn đề trong nhận dạng đối tượng sử dụng mạng Nơron.
- Kiến trúc một hệ thống nhận dạng đối tượng sử dụng mạng nơron nhân tạo.
- Khái niệm mạng nơron nhân tạo.
- Trong chế độ huấn luyện, nơron có thể được huấn luyện với một số các đối tượng đầu vào tới khi không được sử dụng nữa.
- Trong chế độ sử dụng thì khi phát hiện một đối tượng đã học tại đầu vào, đầu ra của nó sẽ trở thành đầu ra hiện tại..
- Nếu đối tượng đầu vào không thuộc vào danh sách đối tượng đã học thì luật loại bỏ được sử dụng để tiếp tục dùng hay loại bỏ nơron..
- Một số kiến trúc mạng nơron dùng nhận dạng đối tượng 2.1.5.1.
- Chúng được dùng rộng rãi trong nhận dạng đối tượng.
- Ứng dụng của mạng nơron nhân tạo 2.2.
- Thiết kế mạng nơron nhân tạo.
- Bước 5: Sơ đồ mạng nơron:.
- Sơ đồ mạng nơron.
- Quá trình huấn luyện mạng nơron 2.2.2.7.
- Các đối tượng (x, y) với x = (x1, x2.
- Mạng lan truyền ngược là một hàm phi tuyến có thể xấp xỉ gần đúng nhất một hàm đích được cho qua một số đối tượng trong tập đối tượng.
- Nhận dạng sử dụng mạng nơron.
- Khả năng sử dụng mạng nơron trong nhận dạng.
- Xét trường hợp đối tượng phi tuyến tính có độ phức tạp cao, nếu sử dụng phương pháp giải tích thông thường để nhận dạng sẽ rất khó khăn, thậm chí không thực hiện được do sự hiểu biết nghèo nàn về đối tượng.
- Mạng nơron là một trong những công cụ hữu hiệu để nhận dạng mô hình đối tượng.
- hình toán thực sự của đối tượng nhưng hoàn toàn có thể dùng kết quả xấp xỉ để thay thế đối tượng..
- Mạng nơron là một trong những công cụ nhận dạng tốt nhất vì các đặc trưng sau: khả năng học từ kinh nghiệm hay được huấn luyện, khả năng khái quát hoá cho các đầu vào không được huấn luyện..
- Điều quan trọng được sử dụng là thuật truyền ngược tĩnh và động của mạng nơron, nó được sử dụng để hiệu chỉnh các tham số trong quá trình nhận dạng..
- Mô hình nhận dạng hệ thống sử dụng mạng nơron.
- Việc nhận dạng là việc đầu tiên và quan trọng.
- Khi thông số của đối tượng là cần thiết để việc điều khiển đạt chất lượng mong muốn.
- Khi thông số của đối tượng tự thay đổi trong tiến trình làm việc (đối tượng phi tuyến) và có tính động học thì việc nhận dạng theo chúng sẽ phức tạp hơn nhiều so với đối tượng có thông số bất biến..
- Nhận dạng thường chia ra làm: nhận dạng mô hình và nhận dạng tham số.
- Nhận dạng mô hình là quá trình xác định mô hình của đối tượng và thông số trên cơ sở đầu vào và đầu ra của đối tượng.
- Mô hình thu được sau khi nhận dạng gọi là tốt nếu nó thể hiện được đúng đối tượng..
- Nhận dạng tham số chính là huấn luyện mạng.
- Mô hình cơ bản của mạng nơron được luyện để mô phỏng hành vi của đối tượng giống như mô hình truyền thống được biểu diễn trên hình.
- Nhận dạng hệ thống sử dụng mạng nơron.
- Như vậy hai giai đoạn cần cho nhận dạng đó là lựa chọn mô hình và tối ưu tham số.
- Đối với mạng nơron dựa vào nhận dạng lựa chọn số nút ẩn, số lớp ẩn (cấu trúc của mạng) tương đương với mô hình lựa chọn.
- Trong kiểu nhận dạng này đầu ra của mạng hội tụ về đầu vào hệ sau khi huấn luyện, vì vậy mạng đặc trưng cho hàm truyền ngược của hệ.
- Phương pháp nhận dạng khác cần phải hướng đầu ra hệ thống tới đầu ra của mạng.
- Giả sử các hàm phi tuyến để mô tả hệ thuộc lớp hàm đã biết trong phạm vi quan tâm thì cấu trúc của mô hình nhận dạng phải phù hợp với hệ thống.
- Với giả thiết các ma trận trọng của mạng nơron trong mô hình nhận dạng tồn tại, cùng các điều kiện ban đầu thì cả hệ thống và mô hình có cùng lượng ra với bất kỳ lượng vào xác định.
- Do đó quá trình nhận dạng thực chất là điều chỉnh tham số của mạng nơron dựa vào sai lệch giữa các giá trị đầu ra của hệ thống và của mô hình..
- Chương này áp dụng các kiến thức nghiên cứu trong chương 1 và chương 2, sử dụng mạng nơron nhiều lớp lan truyền ngược để xây dựng một chương trình nhận dạng ký tự.
- Nhận dạng ký tự là một ứng dụng đang được rất nhiều quan tâm nhưng nó đầy khó khăn và thử thách..
- Điều rất khó của khả năng nhận dạng phù hợp kí tự là các kiểu ngôn ngữ rất phức tạp không theo quy luật do biến đổi trong font, kiểu và kích cỡ..
- Xây dựng mạng nơron 3.2.2.
- Nhận dạng ảnh.
- Quá trình nhận dạng của mạng neural đơn giản và dễ hiểu..
- trong quá trình huấn luyện có thể được sử dụng lại trong quá trình nhận dạng..
- Một số kết quả thử nghiệm và đánh giá hệ thống nhận dạng ký tự.
- Thử nghiệm hệ thống nhận dạng ký tự 3.5.2.
- Ưu điểm: Hệ thống đã nhận dạng tốt với các đối tượng ký tự chuẩn và tốc độ khá nhanh với lỗi rất thấp, còn các ký tự vẽ tay bằng paint kết quả nhận dạng chính xác nếu đầu vào vẽ ký tự chuẩn không quá xiên xẹo và hệ thống cần thời gian huấn luyện lâu.
- Đối với một số ký tự vẽ đứt nét ,độ lệch so với ký tự chuẩn quá nhiều cho kết quả không tốt ở phần nhận dạng ảnh.
- Hệ thống hiện tại là bản nhận dạng một ký tự, trong tương lai em hi vọng có thể phát triển hệ thống nhận dạng được nhiều ký tự một lúc, trên nhiều hàng, nhiều dòng.
- Ngoài ra, hướng phát triển lâu dài mang tính tương lai là nhận dạng được chữ viết tay tiếng việt và trả về kết quả là giọng nói, từ đó có thể làm thành phần mềm hỗ trợ nghe đọc cho người mù..
- Nhận dạng và gán nhãn cho đối tượng trong cuộc sống thường ngày hiện nay đóng vai trò rất quan trọng và được áp dựng nhiều trong thực tế như: sản xuất và kiểm tra chất lượng, sự di chuyển của Robot, các phương tiện đi lại tự trị, công cụ hướng dẫn cho người mù, an ninh và giám sát, nhận dạng đối tượng, nhận dạng mặt, các ứng dụng trong y học, sản xuất, hiệu chỉnh video,….
- Luận văn tập trung vào nghiên cứu một số kỹ thuật gán nhãn đối tượng dựa vào kỹ thuật nhận dạng và đã đạt được các kết quả sau.
- Trình bày khái quát về các kỹ thuật gán nhãn đối tượng dựa vào nhận dạng..
- Hệ thống hóa lại các kiến thức: một số kỹ thuật gán nhãn, mạng neural nhân tạo, bài toán nhận dạng đối tượng và cách sử dụng mạng neural vào phân tích một bái toán cụ thể..
- Cài đặt chương trình thử nghiệm hệ thống nhận dạng ký tự..
- ảnh và chi tiết trong ảnh nhiều lên cần nhận dạng để xây dựng môt hệ thống hoàn chỉnh..
- Nhận dạng ảnh và gán nhãn là một phần rất quan trọng của lĩnh vực nhận dạng nói riêng và xử lý ảnh nói chung