Математические модели нейроноподобных сред для разработки систем обнаружения и распознавания объектов заданных классов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат физико-математических наук Тельных, Александр Александрович

• Тельных, Александр Александрович
• кандидат физико-математических наук
• 2009

Оглавление диссертации кандидат физико-математических наук Тельных, Александр Александрович

ВВЕДЕНИЕ.

ГЛАВА 1. МОДЕЛИ РАСПРЕДЕЛЕННЫХ ДВУМЕРНЫХ НЕЙРОНОПОДОБНЫХ СРЕД ДЛЯ ОБРАБОТКИ ИНФОРМАЦИОННЫХ СИГНАЛОВ.

1.1 История проблемы исследования нейрофизиологических процессов в одном нейроне и в сети из возбуждающих и тормозных элементов.

1.2 Биологопрлвдоподобная модель.

Упрощенные варианты общей модели.

1.3 методы исследования структур коллективной активности в распределенных однородных нейроноподобных системах.

1.4 Рецептивные поля. Карты рецептивных полей.

1.5 Виды используемых рецептивных полей. Функции связи между элементами нейроноподобной системы.

Фильтры Габора.

Лапласиан гауссиана. Латеральное торможение.

Двумерные рецептивные поля Хаара. Вычисления с использованием интегрального изображения.

1.6 Обработка неподвижных изображений в однородных, распределенных нейроноподобных системах с использованием функций латерального торможения, функций Хаара и функций Габора.

Получение простейших препаратов неподвижного изображения: контраст, контур заданной толщины, линии заданных направлений, объекты заданных масштабов.

ГЛАВА 2. ИСПОЛЬЗОВАНИЕ МОДЕЛИ ОДНОРОДНОЙ РАСПРЕДЕЛЕННОЙ ДВУМЕРНОЙ НЕЙРОНОПОДОБНОЙ СРЕДЫ ДЛЯ ПРЕДВАРИТЕЛЬНОГО ЦЕЛЕУКАЗАНИЯ. НА ПРИМЕРЕ СИСТЕМЫ ПОИСКА ЛИЦ.

2.1 Местоположение объекта. Анализируемая область. Эффективность алгоритма предварительного целеуказания.

2.2 синтез массива кандидатов для дальнейшего анализа.

Формирование карты активности рецептивных полей.

Выделение горизонтальных штрихов.

Пространственная кластеризация штрихов.

Математическая модель.

Вычислительный эксперимент.

Детектор движения.

2.3 Исключение из предварительно заданного массива.

Регулярные сетки.

Математическая модель.

Вычислительный эксперимент.

ГЛАВА 3. ИСПОЛЬЗОВАНИЕ МОДЕЛИ ОДНОРОДНОЙ РАСПРЕДЕЛЕННОЙ ДВУМЕРНОЙ НЕЙРОНОПОДОБНОЙ СРЕДЫ ОБНАРУЖЕНИЯ МЕСТОПОЛОЖЕНИЯ ОБЪЕКТОВ НА СЛОЖНОМ ФОНЕ.

3.1 модель преобразования информации с использованием среды состоящей из нейроноподобных элементов.

3.2 Математическая модель системы обнаружения объектов, состоящая из нейроноподобных элементов и пространство ее параметров.

Целевая функция для системы обнаружения объектов на сложном фоне.

Целевая функция для «сильного классификатора» Н,.

Ассоциативная машина. Формирование сильного классификатора Н. Процедура AdaBoost.

Формирование функции активации рецептивного поля. Слабая модель обучения.

Рецептивное поле на основе МСТ (Modified Census Transform) и его функция активации.

3.3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ.

3.4 Параллельное соединение каскадов.

ГЛАВА 4. КЛАССИФИКАЦИЯ НАЙДЕННОГО ОБЪЕКТА.

4.1 Задача распознавания.

4.2 Переход к двухклассовой схеме распознавания.

4.3 Формирование пространства признаков.

4.4 Результаты вычислительного эксперимента.

4.5 Примеры практической реализации систем обнаружения и классификации найденных объектов.

Основные характеристики интегральной биометрической системы распознавания человека.

Система распознавания музыкальных сигналов.

Демонстрационная система видеонаблюдения с детектированием лиг/ и распознаванием по ним людей.

Разработка версии электронного фотоархива с индексацией по лицам людей.

Демонстрационная программа, позволяющая производить поиск специальных изображений по контексту.

Введение диссертации (часть автореферата) на тему «Математические модели нейроноподобных сред для разработки систем обнаружения и распознавания объектов заданных классов»

Актуальность темы. Задачи обнаружения объектов на цифровых изображениях характерны для целого ряда прикладных систем: обработки цифровой информации в системах видеонаблюдения, поиска полезной информации в цифровых фото - и видеоархивах, в системах ориентации автономных устройств, в системах контроля качества, в системах организации доступа на охраняемые объекты с использованием биометрических данных, в системах обработки медицинских изображений и многих других. Особенно актуальным является анализ видео-потока в реальном масштабе времени для создания интеллектуальных камер, позволяющих записывать только те события, происходящие в их поле зрения, которые «достойны внимания» с точки зрения пользователя системы. В настоящее время получили широкое распространение устройства, реагирующие на наличие «движения» в поле зрения камеры, как правило, работающие с использованием алгоритмов оценки «оптического потока». При этом классификация объекта или группы объектов, попавших в поле зрения камеры, отсутствует. Данная работа демонстрирует возможности расширения способностей подобных устройств. Обладая возможностью обнаруживать заданные объекты (людей, лица людей, транспортные средства и т.д.), идентифицировать их в реальном времени, устройства видео-наблюдения получают совершенно новые качества, которые позволяют оценивать «ситуацию» в наблюдаемом пространстве и реагировать только на такие события, которые интересны пользователям этих систем. В предлагаемой работе рассматриваются также актуальные задачи, связанные с систематизацией, индексацией и быстрым доступом к графическим данным в цифровых видеоархивах. Предложенные системы позволяют проводить поиск и автоматическую рубрикацию данных без участия оператора, опираясь только на заложенные в них алгоритмы и предложенную к рассмотрению видеоинформацию. Точность и надежность результатов, полученных при решении задач обнаружения, уточнения и распознавания объектов на сложном фоне, является критическим параметром всей системы в целом, наряду с быстродействием системы. Таким образом, актуальной является задача оптимизации параметров распознающей системы как по точности, так и по времени отклика. Цель данной работы заключается в разработке математических моделей и нейроноподобных алгоритмов, ориентированных на реализацию обучающейся системы для распознавания и мониторинга объектов с нетривиальной геометрией на сложном фоне в реальном времени. Разработанная модель должна позволять использующей ее системе эффективно функционировать в типичной программной среде персональных компьютеров. Система должна обладать подсистемой контроля полученного результата.

Для достижения поставленных целей необходимо решить следующие задачи:

1. Разработка теоретических принципов распознающей модели.

2. Разработка архитектуры программного комплекса для настройки создаваемых распознающих систем, работающих в режиме реального времени.

3. Реализация комплекса в виде пакета программ.

4. Разработка модели тестирования эффективности работы создаваемых распознающих систем.

5. Разработка методики статистического обучения нейроноподобных моделей для обнаружения объектов на сложном фоне с использованием прецедентной базы данных.

Методы исследования. Для решения поставленных в диссертационной работе задач были использованы методы теории распознавания образов, математической статистики, математического моделирования, теории искусственных нейронных сетей, цифровой обработки сигналов и изображений, теории вероятностей. Научная новизна работы.

1. Сформирована модель нейроноподобной системы для обнаружения, сопровождения и распознавания объектов заданного типа на сложном фоне в режиме реального времени.

2. Разработаны алгоритмы и архитектура нейроноподобной системы распознавания, позволяющие формировать модельное описание заранее заданных объектов.

3. Разработан способ параллельного соединения каскадов «сильных классификаторов», обученных на разных прецедентных базах, существенно повышающий производительность системы обнаружения.

4. Проведено исследование эффективности работы нескольких алгоритмов формирования функции активации сигналов от рецептивных полей.

5. Исследованы алгоритмы классификации найденного объекта с использованием нейроноподобной системы. Практическая ценность работы. Полученные в диссертационной работе результаты исследований и реализация программного комплекса для настройки нейроноподобных систем видеонаблюдения являются основой для построения перспективных систем и устройств обнаружения, сопровождения и классификации объектов на произвольном сложном фоне. Результаты данной работы могут использоваться также в системах оперативного анализа информации на борту летательных аппаратов и системах зрения автономных мобильных роботов.

Реализация результатов работы.

Разработанные алгоритмы и программы используются в действующих вариантах демонстрационных биометрических систем для распознавания человека: по руке; по лицу; по дактоотпечатку; интегральная биометрическая система (SDK и Демо для IBRS). Разработаны системы для распознавания музыкальных сигналов, а также особенностей вида ЭЭГ. Разработана версия фотоархива с индексацией по лицам, система контекстного поиска для изображений специального характера. Системы ориентированы на применение в системах анализа информации в Интернете, в биометрических системах доступа, в системах обеспечения безопасности предприятий.

Апробация работы. Результаты работы обсуждались на 3-м рабочем семинаре-совещании «Теория приложения искусственных нейронных сетей» (Снежинск, РФЯЦ ВНИИТФ, 1998), на 4-й всероссийской конференции «Биомеханика» (Нижний Новгород, 1998), на 12-й международной конференции по нейрокибернетике (Ростов-на-Дону, 1999), на 2-м съезде биофизиков России (Москва, 1999), 4-й конференции по радиофизике (Нижний Новгород, 2000), на международной конференции ICONIP'02 (Сингапур, 2002), на международной конференции APHYS 2003 (Spain, Badajoz, 2003), на 6-й, 8-й, 9-й и 10-й всероссийской научно-технической конференции «Нейроинформатика» (Москва, МИФИ, 2004, 2006, 2007, 2008), на конференции «Управление и информационные технологии» (Санкт-Петербург, 2005), на 2-й Троицкой конференции «Медицинская физика и инновации в медицине» (Троицк, 2006), на 13-й всероссийской конференции «Математические методы распознавания образов» (Санкт-Петербург, 2007), на 9-й международной конференции Pattern Recognition and Image Analysis: New Information Technologies, PRIA-9-2008 (Нижний Новгород, 2008).

Публикации. Всего по теме диссертации опубликовано 26 работ, включая 7 международных. Из них 1 международный патент, 2 российских патента, 2 статьи в научных журналах из списка ВАК РФ, 16 статей в научных сборниках и 5 тезисов докладов на конференциях.

Структура диссертации. Диссертация состоит из введения, четырех глав, заключения и двух приложений. Она изложена на 125 страницах, Список литературы включает 77 наименований.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Тельных, Александр Александрович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

В диссертационной работе получены результаты по режимам настройки и работе реализованной системы распознавания на заданные объекты. Создаваемая в процессе настройки система состоит из блока предварительного целеуказания, блока детектирования объектов, блока сопровождения, блока классификации найденных объектов. Система работает в реальном времени. Основные результаты диссертационной работы заключаются в следующем:

1. Предложена математическая модель нейроноподобных сенсорных элементов (включающих рецептивное поле и функции активации), а также каскады из таких элементов, позволяющая сформировать способные работать в реальном времени системы обнаружения и классификации объектов на 2ё-изображении. Предложена оптимальная модель рецептивного поля с точки зрения вычислительной эффективности.

2. Создана и реализована оригинальная методика настройки параметров модели объекта. На основе этой методики исследованы режимы формирования эффективной модели распознаваемого объекта на изображении по заранее заданному экспертом набору прецедентов.

3. Разработан алгоритм параллельного соединения детекторов. Показано, что предложенная методика параллельного соединения каскадов нейроноподобных элементов значительно снижает ошибку обнаружения ложных целей.

4. Предложена и реализована методика тестирования алгоритмов классификации найденных объектов. Показано, что алгоритм классификации, основанный на модели рецептивного поля и переходе к двухклассовой задаче, позволяет конструировать систему распознавания из универсальных элементов.

5. Исследованные алгоритмы реализованы в виде комплекса программ и использованы при разработке систем идентификации человека по биометрическим признакам. Комплекс позволяет работать как в интерактивном, так и в автоматическом режиме.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат физико-математических наук Тельных, Александр Александрович, 2009 год

1. Иваницкий Г.Р., Кринский В.И., Сельков Е.Е., Математическая биофизика клетки. М.: «Наука», 1978

2. Лоскутов А.Ю., Михайлов А. С. Введение в синергетику. М.: «Наука», 1990

3. Wilson H.R., Cowan J.D. A Mathematical Theory of the Functional Dynamics of cortical and Thalamic Neuron Tissue//"Kibernetic". 1973. V13. P.55-80

4. Wilson H.R., Cowan J.D. Excitatory and Inhibitory Interactions in Localized Populations of Model Neurons// "Biophiys.J". V 12. P. 1-24

5. Сбитнев В.К, Драбкин Г.М. Перенос спайков в статистических нейронных ансамблях. I. Концепция фазовых переходов // Биофизика. 1975. Т.20. С. 669-702

6. Сбитнев В.И. Перенос спайков в статистических нейронных ансамблях. III. Фазовый переход в модели САЗ гипоккама//Биофизика. 1977. Т. 22. С. 523-528

7. Позин Н.В. Моделирование нейронных структур. М. Наука, 1970. 264С.

8. Amari S. Dynamics of Pattern Formation in Lateral-inhibition Type Neural Fields // Biol. Cybernetics. 1977. Vol. 27/ P.77-87.

9. Кудряшов А.В., Яхно В.Г., Распространение областей повышенной импульсной активности в нейронной сети.// В сб. Динамика биологических систем. 1978. Вып.2. С. 45-59.

10. Шульгина Г.И., Исследование функциональной роли нейрофизиологических процессов на модели из нейроноподобных элементов. // Итоги науки и техники. Сер. Физические и математические модели нейронных сетей. ТЗ. М.: ВИНИТИ. 1991. С. 62-104

11. Кузнецов С.О., Нуйделъ КВ., Яхно В.Г., Сегментация и классификация образов на изображении с помощью элементов с нейросетевой архитектурой: Препринт ИПФ АН СССР N250. Н.Новгород 1989

12. Bellustin N.S., Kuznetsov S.O., Nuidel I.V., Yakhno V.G., Neural Networks with Close Nonlocal Coupling for Analyzing Composite Imges// Neurocomputing. V.3. 1991. P 231-246

13. Васильев B.A., Романовский Ю.М., Яхно В.Г., Автоволновые процессы. М.: Наука, 1987. 240С

14. Васильев В.А., Романовский Ю.М., Яхно В.Г., Автоволновые процессы в распределенных кинетических системах. // УФН. 1979. Т. 128. вып. 4. С625-666

15. Нуйделъ КВ., Кузнецов С.О., Использование однородных нейроноподобных сред для обработки изображений. // Изв. Вузов. Радиофизика. 1994 Т.37. N8. Сю 10531061

16. Bellustin N.S., Zemslov S.P., Yakhno V.G. Neuron-like Elements for modeling Social and Economic Problems // Proc. Of the Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-On-Don, Russia, 1995. P.311-315

17. Yakhno V.G. Spatial-Temporal Dynamic Structures in Medium of Coupled Neuron-like Molecular Elements for Designing Decision Make Systems // The 5th International

18. Symposium Bioelectronics and Molecular Electronic Devices, Okinawa, Japan, Nov. 28-30 1995, P.253-254

19. Vasilev V.A., Romanovskii Y.M., Chernavskii D.C., Yakhno Y.G. Autowave Processes in Kinetic Systems. Spatial and Temporal Self-organization in Physics, Chemistry, Biology and Medicine. VEB deutscher Verlag der Wissenschaft, 1987, GDR

20. Беллюстин H.C. О динамике структур в искусственных нейронных сетях с латеральной конкуренцией элементов. Препринт НИРФИ N363, Нижний Новгород, 1993

21. Kohonen Т. An Introduction to Neural Computing // Neural Networks. 1988 V.l. P.3-16

22. Garpenter G., Grossberg S. A massively Parallel Architecture for Selforganizing Neural Pattern Recognizing Machine // Computer Vision, Graphics and Image Understanding. 1987, V.37.P.54-115.

23. Fukushima K. Cognitron: a self-organizing multilayered neural network model // NHK Technical Monograph. 1981. N30. NHK Technical Labs. Tokyo.

24. Fukushima K. Neocognitron: a new algorithm for pattern recognition tolerant of deformation and shifts in position.// Pattern Recognition. 1982. VI .15.P.455

25. ХыобелД. Глаз, мозг, зрение. М.:Мир, 1990. 239

26. Hubel D. and Wiesel Т. Receptive Fields, binocular integration and functional architecture in cat's visual cortex. //J.Physiol. 1962. V.160.P.106-154

27. Беллюстин H.C., Яхно В.Г. Пространственно-временная динамика в простейших экономических системах. // В тр. Международной школы «Nonlinear Science», Н.Новгород, 1995г.

28. Daugman John J. Six Formal Properties of Two-Dimensional Anisotropic Visual Filters: Structure principles and Frequency/Orientation Selectivity //IEEE Transaction on Systems/ Man and Cybernetics. 1983. V.SMS-13. N 5. P.882-887

29. Daugman John J. Uncertainty relation for resolution in spacr, spatial frequency and orientation optimized by two-dimentional visual cortical filters // Journal of the Optical Society of America. 1985. V.12.N 7. P.882-887.

30. Daugman John J Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression. //IEEE Transactions on Acoustic, Speech and Signal Processing. 1988. V.36. N 7, P.l 169-1179

31. Viola P & Jones M. Rapid Object Detection using boosted cascade of simply classifiers. //2001

32. Linehart RKuranov A. Pisarevsky V. Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection // Microprocessor Research Labs, Intel labs, Technical report, may 2002

33. Turner M.R. Texture Discrimination by Functions // Biological Cybernetics 1986. V.55. P.71-82

34. Госалес P., Вудс. P. Цифровая обработка изображений. M.: Техносфера. 2006

35. Т. Pavlidis, Algorithms for Graphics and Image Processing. Rockville, Maryland: Computer Science Press, 1982

36. D.H. Ballard and C. Brown, Computer Vision, New Jersey, Prentice Hall, pp 149-157, 1982

37. W. W. Bledsoe, The Model Method in facial recognition. Panoramic Research Inc., Palo Alto, CA, Rep. PRI:15 Aug 1966

38. T.Kanade, Picture Processing System by computer complex and recognition of human faces. Dept. of information science, Kyoto University, Nov. 1973

39. S.Carey and R.Diamond, From piecemeal to configurational representation of faces. //Science, Vol.195. Jan. 21,1977, 312-13

40. M. Turk and A. Pentland. Eigenfaces for recognition. Journal of Cognitive Neuroscience, 3:71-86, 1991.

41. B. Moghaddam and A. Pentland. Face recognition using view-based and modular eigenspaces. In Automatic Systems for the Identification of Humans, SPIE, volume 2277, 1994

42. Milanova M., Almeida P. E. M„ Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem // Lecture Notes in Artificial1.telligence Machine Learning and Data Mining in Pattern Recognition, 1999. P. 5163.

43. Yoon K. S., Ham Y. К and Park R.-H. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network // Pattern Recognition 1998. Vol. 31. P. 283-293.

44. Ranganath S. and Arun K. Face recognition using transform features and neural networks // Pattern Recognition 1997. Vol. 30. P. 1615-1622.

45. Lawrence S., Giles C. L., Tsoi A. C., Back A. D. Face Recognition: A Convolutional Neural Network Approach // IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, 1997. P. 1-24.

46. A. V. Kovalchuk, A.A. Telnykh, OBJECT DETECTION SYSTEM USING EXPERT COMMITTEES

47. С.Хайкин. Нейронные сети. Полный курс. //Издат. Дом «Вильяме» 2006

48. Nilson N.J. Learning Mashines: Foundations of Trainable Pattern-Classifying Systems, New York: McGraw-Hill, 1965

49. Freud Y. and R.E. Schapire, Experiments with a new boosting algorithm, Machine Learning:. Proceedings of the Thirteen International Conference, 1996, p. 148-156, Bari, Italy

50. Freud Y. and R.E. Schapire, Game Theory, on-line prediction and boosting. Proceedings of the Ninth Annual Conference on Computational Learning Theory, 1996 p.325-332, Desenzano del Garda, Italy

51. Y. Freund and R. E. Shapire. A short introduction to boosting. Journal of Japanese Society or Artificial Intelligence, pages 771-780, 1999.

52. Rodrigo Verschae, Javier Ruiz-del-Solar, Mauricio Correa, Paul Vallejos, A Unified Learning Framework for Face, Eyes and Gender Detection using Nested Cascades of Boosted Classifiers

53. Левин Б.P., Теоретические основы статистической радиотехники, М: Радио и связь, 1989. 656с.

54. Фомин, Оптимизация распознающих систем

55. В. Froba and A. Ernst, Face detection with the modified census transform", 6th Int. Conf. on Face and Gesture Recognition FG 2004, pp. 91-96, Seoul, Korea, May 2004.

56. Erik Hjelmas, Christel Beate Ler0y and Henry Johansen Department of Electrical ngineering and Science Gjervik College, ICI System: A First Attempt, email: [e-mail], [e-mail], [e-mail]

57. Ross Cutler, Face Recognition Using Infrared Images and Eigenfaces, April 26, 1996

58. Turk, M., and Pentland, A., (1991) Eigenfaces for Recognition, Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp. 71-86.

59. Pentland, et. al., (1991) Experiments with Eigenfaces, MIT VISMOD TR-194.

60. Kamran Etemad and Rama Chellappa, Discriminant analysis for recognition of human face images, J. Opt. Soc. Am. A/ Vol. 14, No. 8/August 1997

61. W.Zhao, R.Chellappa, A. Krishnaawamy, Discriminant analysis of Principal Components for Face Recognition

62. Juwei Lu, Kostantinos N. Plataniotis, and Anastasios N. Venetsanopoulos, Face Recognition Using LDA-Based Algorithms, IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 1, JANUARY 2003

63. P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, "Eigenfaces vs.Fisherfaces: Recognition using class specific linear projection," IEEE Trans. Pattern Anal. Machine Intell., vol. 19, pp. 711-720, May 1997.

64. Kresimir Delac, Mislav Grgic, Sonja Grgic, Independent Comparative Study of PCA, ICA, and LDAon the FERET Data Set,' 2006 Wiley Periodicals, Inc.

65. Yang M.-H., Kriegman D., Ahuja N., Detecting Faces in Images: A Survey IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, 2002, no. 1, pp. 34-58,

66. Sung K.-K., Poggio T., Example-based learning for view-based human face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(1), 1998, pp. 3951.

67. Rowley H., Baluja S., Kanade Т., Neural network-based detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(1), 1998, pp. 23-38.

68. Osuna E., Freund R., Girosi F., Training support vector machines: An application to face detection. Proceedings of IEEE Conference on Computer Vision, 1997, pp. 130136.

69. Schneiderman H., Kanade Т., Probabilistic modeling of local appearance and spatial relationships for object recognition. Proceedings of IEEE Conference on Computer Vision snd Pattern Recognition, 1998, pp. 45-51.

70. Rajagopalan A., Kumar K., Karlekar J., Manivasakan R., Patil M., Desai U., Poonacha P., Chaudhuri S., Finding fsces in photographs. Proceedings of the Sixth IEEE Internation Conference on Computer Vision, 1998, 640-645.

71. Тельных А.А., Яхно В.Г., Савельев Д.В., Смирнов Г.В., Новиков А.В., Ветушкин В.Д., Донченко Е.В. Программно-аппаратный комплекс для биометрии кисти // Тезисы докладов на IV Всероссийской конференции "Биомеханика -98", -Н. Новгород, 1998, -С.84.

72. Коган А.Н., Тельных А.А., Яхно В.Г. Нейросетевые режимы принятия решений // II съезд биофизиков России 23-27 августа 1999 г. -Москва, 1999. Тезисы докладов, том II, -С. 419.

73. Tel'nykh O.S., Tel'nykh A.A., and Shilin S.G. Program for recording, analyzing, and automatic finding of characteristic features in encephalograms // Proceedings of Nijmengen Institute for Cognition and Information, 2004, -P.391-396.

74. Тельных А.А., Разумов B.A., Беллюстин H.C., Калафати Ю.Д., Яхно В.Г. Создание электронной версии фотоальбома с индексированием по изображениям лиц // Сб. докладов «Управление и информационные технологии». Т. 1. 2005. -С.260-267.

75. Ковальчук А.В., Беллюстин Н.С., Тельных А.А., Яхно В.Г. О методах промежуточного контроля в сложной системе обнаружения и распознавания лиц // Сб. докладов XIII всероссийской конф. ММРО-13. М.: МАКС-Пресс, 2007 С. 471-481.

76. Беллюстин Н.С., Тельных А.А., Разумов В.А., Шемагина О.В., Ковальчук А.В., Яхно В.Г., Применение генетических алгоритмов для уточнения местоположения лица человека на видеоизображении // Нейрокомпьютеры: разработка и применение, 2007, № 11, -С. 43-45.

77. Telnykh A.A., Kovalchuk A.V., Object detection system using expert committeets, //9-th International Conference on Pattern Recognition and Image

78. Analysis: New Information Technologies, PRIA-9-2008, September 14-20, 2008, Conference Proceedings, v.2. Nizhni Novgorod, 2008, -P. 212-214.

79. Ковальчук A.B., Соколов M.E., Тельных A.A., Сопоставление нейроноподобных и классических методов в задаче уточнения координат глаз, //Сборник научных трудов ISBN 978-5-7262-0878-7, часть 2 / МИФИ. М., 2008. -С.123-132.

80. Бондаренко Б.Н., Нуйдель И.В., Сборщиков И.Ф., Тельных А.А., Хилько А.И., Яхно В.Г., Адаптивное построение изображений нейроноподобной исследовательской системой, Препринт / ИПФ РАН, №559. Нижний Новгород, 2001-29 с.

81. US Patent No.: US 6,751,353 Bl, 2000 Yakhno V.G., Nuidel I.V., Telnykh A. A., Bondarenko B.N., Sborshikov V.A., Khilko A.I./ The method for adaptive recognition of information images, and the system of implementation thereof. — 12 p.