Методы и реализация комплексного подхода к распознаванию графической информации с интеллектуальной поддержкой тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Шичкин, Дмитрий Александрович

• Шичкин, Дмитрий Александрович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Шичкин, Дмитрий Александрович

Оглавление

Введение

1 Исследование методологических аспектов распознавания графической информации

1.1 Структура систем распознавания графической информации

1.2 Анализ базовых подходов к распознаванию графической информации

1.2.1 Оптический метод

1.2.2 Контурный анализ

1.2.3 Искусственные нейронные сети

1.3 Исследование направлений распознавания графической информации альтернативных базовым подходам

1.3.1 Анализ признаков как основное направление альтернативных методов

1.3.2 Структурные (лингвистические, синтаксические) методы распознавания33

1.3.3 Статистический подход в теории распознавания образов

1.3.3.1 Дискриминантный анализ

1.4 Основные проблемы разработки и реализации программных продуктов в области распознавания образов

1.4.1 Проблема обучения систем распознавания и классификации объектов

1.4.2 Выбор и формирование значений для подачи в нейронную сеть, выбор нейронной сети

1.4.3 Ограниченность методов распознавания образов

1.5 Постановка цели и задач исследования

1.6 Выводы

2 Системный подход к созданию комплексной системы распознавания графической информации

2.1 Общая схема комплексной системы распознавания графической информации

2.2 Подсистема анализа входного изображения, выделение контуров

2.2.1 Выделение объекта бинаризацией

2.2.2 Отслеживающие алгоритмы

2.2.3 Поиск градиентов яркости, как основа обнаружения контуров объектов51

2.2.4 Модернизация выделения контуров

2.2.5 Соединение разорванных контуров

2.3 Выделение объектов по цвету

2.4 Алгоритм процесса предварительной обработки объекта

2.4.1 Определение центра «тяжести»

2.4.2 Поворот объекта

2.4.3 Масштабирование объекта

2.5 Подсистема определения объекта по базе правил взаимодействия с признаками

2.6 Выводы

3 Архитектура модуля обработки входного изображения

3.1 Общая структура модуля обработки входного изображения

3.2 Алгоритм выделения контуров

3.3 Алгоритм выделения объектов

3.4 Предобработка объектов на входе нейронной сети

3.5 Выводы

4. Модуль экспертной классификации для поддержки нейронной сети

4.1 Предварительная классификация экспертной системой

4.2 Модель модуля нейронных сетей

4.3 Структура построенной сети

4.4 Входные значения, поступающие в нейронную сеть

4.5 Выводы

5 Программная реализация разработанных алгоритмов системы распознавания графической информации с интеллектуальной поддержкой

5.1 Выбор средств и платформ для реализации системы распознавания графической информации

5.2 Оценка производительности использования разных платформ

5.3 Проектирование нейронной сети с использованием GPU

5.4 Проектирование нейронной сети с использованием CPU

5.5 Программные модули экспериментальной оценки выделения контуров и анализа изменения цвета объекта

5.6 Программный модуль для работы с выделенными объектами

5.7 Выводы

Заключение

Список использованных источников

Приложение А (справочное) Акт об использовании основных результатов

диссертационной работы в системе пропускного контроля

Приложение Б (справочное) Акт о внедрении результатов диссертационной

работы в учебный процесс КубГТУ

Приложение В (справочное) Свидетельство о государственной регистрации

программы для ЭВМ № 2013618115 от 30.08.2013 г

Приложение Г (обязательное) Демонстрация множественной зависимости

компонентов цвета модели RGB

Приложение Д (обязательное) Измерения цвета объектов в модели RGB

Введение диссертации (часть автореферата) на тему «Методы и реализация комплексного подхода к распознаванию графической информации с интеллектуальной поддержкой»

Введение

Актуальность темы. Способность осязать и распознавать - основная характеристика животного мира, вершиной которого и является человек, наиболее продуктивный плод природы. Распознавание связано с представлением (описанием) свойств объекта, то есть с его образом. В каждую секунду человек совершает действия по распознаванию. Мы воспринимаем совокупность свойств окружающих нас объектов и в соответствии с этим можем совершать какие-либо действия, например, перемещаться. Мы можем узнать в толпе знакомого и понять, что он говорит, можем узнать голос друга, прочитать рукописное письмо, можем отличить милую улыбку от злобной гримасы. Человек представляет собой сложнейшую информационную систему, и в определенной степени этому способствуют прекрасно развитые способности распознавать образы.

Разрешение проблем распознавания - это необходимая составляющая взаимодействия человека с внешней средой. С развитием научно-технического прогресса и достижений технической мысли все чаще для решения различных задач распознавания применяются средства вычислительной техники и более того, решаются такие задачи, которые четверть века назад решить не представлялось никакой возможности.

Автоматизированное распознавание графической информации интересовало человечество с момента появления первых информационных систем, со времен появления графической информации и интерпретации представления о ней [36]. Многие ученные, такие, как: Torsten Nils Wiesel, David H. Hubel, Ян ЛеКун, Фрэнк Розенблатт, Р. Дуда, П. Хард и др., пытались объективно ее классифицировать, итогом чего являлись разные математические модели, аппаратно логические устройства, программные комплексы [26; 54; 61; 79; 80; 96; 103; 104]. Научные исследования привели к проблеме выделения направления, касающегося распознавания графической информации [18; 47; 59; 61; 77]. В результате развития научной мысли при

разрешении терминологической и методологической проблемы выделялись основные направления распознавания, впоследствии подобный род задач начали относить к кибернетике [17; 20; 28; 66; 67].

Проблема терминологии в области распознавания привлекает внимание специалистов [47; 82]. Разработка четкого алгоритма и программы распознавания образов для вычислительных машин - первоочередная задача современной науки. Без точного понятийного аппарата решение данной задачи невозможно.

Существующие «белые пятна» в практическом применении теоретических основ распознавания графической информации заставляют исследователей находить современные и высокоэффективные решения. На сегодняшнем этапе развития данного научного направления остаются нерешенными проблемы:

- качественного выделения контуров;

- автоматизированного выделения объектов;

- вариабельности пространственного расположения объектов и их распознавания;

- практического применения методологических разработок в распознавании графической информации;

- качественной классификации объектов распознавания.

Большую значимость в решении указанных проблем приобретает

использование высоконаучных разработок, включающих применение искусственных нейронных сетей.

Процесс распознавания осуществляется любой системой в соответствии со следующими функциями:

- определение ключевых значимых признаков;

- произведение обработки;

- выявление решающих правил или решающего правила.

При этом базы правил, признаков, эталонных образов либо задаются извне, либо формируются системой самостоятельно. Создание систем,

способных к самообучению при помощи нейронных связей - еще одно направление современных разработок в области распознавания графической информации.

Быстро развивающаяся инфраструктура народного хозяйства заметно увеличивает поток графической информации, которая нуждается в обработке. Запросы на такую обработку информации исходят из разных сфер науки, промышленности и даже военных учреждений. В условиях современной жесткой конкуренции, качество и скорость распознавания образов, объектов, символьного текста становится дополнительным конкурентным преимуществом: от качественной и скоростной обработки графической информации зависит благосостояние организаций и постоянный экономический прирост, приобретается простота прогнозирования развития предприятия и его качественное развитие.

Проведенный критический анализ существующих разработок в научном направлении распознавания графической информации позволил сделать вывод о разнообразии существующих подходов к разрешению выявленных проблем, о несогласованности понятийного аппарата исследований, который к тому же требует дополнительной систематизации и классификации в решении задач. Приведенные аргументы способствовали актуализации выбора тематики диссертационного исследования.

Объект исследования: процесс получения, обработки и анализа графической информации с целью систематизации и классификации объектов, отображенных на растровом изображении.

Предмет исследования: совокупность алгоритмов, методов, математического и программного обеспечения с поддержкой интеллектуальных систем для решения проблем в области распознавания графической информации.

Диссертационное исследование направлено на создание комплекса методов и подходов для решения проблем распознавания графической информации средствами ЭВМ с применением интеллектуальных систем,

основанных на экспертной классификации и классификации с помощью нейронных сетей.

Целью диссертационной работы является разработка комплексного подхода для решения проблем эффективного и качественного распознавания графической информации с учетом исследования смежных областей науки, изучающих принципы восприятия объектов человеком, включающего разработку и использование новых подходов и методов для анализа графических массивов данных, использование нейронных сетей и экспертных систем.

Для достижения цели в работе поставлены следующие задачи исследования:

- анализ наиболее часто используемых методов выделения объектов на изображении;

- анализ способов, подходов и новых направлений распознавания графической информации;

- исследование интеллектуальных технологий, применяемых в решении проблем распознавания;

- теоретическое обоснование математических моделей, применяемых в системе;

- обоснование выбора программных средств и инструментов для проведения анализа и решения проблемы распознавания образов;

- разработка комплекса алгоритмов получения изображения, выделения контуров и объектов по цвету;

- разработка новой архитектуры нейронной сети и алгоритма ее взаимодействия с экспертной системой;

- исследование эффективности применения разработанных методов и способов с интеллектуальной поддержкой для решения задач распознавания графической информации.

Методы исследования. Исследование проведено с использованием статистического анализа, системного анализа, абстрактно-логического

метода, алгоритмизации, моделирования, оптимизации, нейронных сетей, экспертных систем. Экспериментальная часть работы проводилась с использованием пакета Statistica и языка программирования высокого уровня в среде Microsoft Visual Studio с использованием технологии CUDA.

Достоверность научных результатов диссертационного исследования подтверждена приведенным теоретическим описанием, использованием математического аппарата, приведением результатов экспериментального тестирования разработанных методов и алгоритмов.

Научная новизна работы заключается в создании нового комплексного подхода к процессу распознавания графической информации, базирующегося на разработанных инновационных подходах и методах к выделению контура и объекта на растровом изображении и разработанной архитектуре нейронной сети, взаимодействующей с экспертной системой. Разработанные подходы и алгоритмы апробированы, реализованы для решения проблем, возникающих в распознавании графической информации, отображенной на растровых изображениях.

Практическая ценность работы. Предложенные в диссертационном исследовании подходы и методы к распознаванию графической информации, внедрены в модули программного обеспечения системы карточного пропускного контроля ООО «РН-Краснодарнефтегаз», что повысило эффективность пропускного контроля общей системы охраны предприятия выявлением нарушителей. Результативность внедрения оценена специалистами предприятия на профессиональном уровне, дано заключение о целесообразности рассмотрения вопроса использования разработанных модулей в системе пропускного контроля для повышения безопасности объектов.

Интеллектуальные методы и алгоритмы обработки графической информации, разработанные в диссертационном исследовании, применены в учебном процессе ФГБОУ ВПО «Кубанский государственный технологический университет». Алгоритмическое и программное

обеспечение гибридной интеллектуальной системы на базе экспертной системы и нейронной сети используется для распознавания и обработки графической информации при проведении лабораторных работ в процессе изучения дисциплин «Базы данных» для направления 231000.62 (обработка данных типа image) и «Интеллектуальные базы данных» для направления 231000.68 (статистическая обработка информации хранилищ данных).

Акты об использовании и применении научных результатов диссертационной работы представлены в Приложении А и Б.

Апробация работы. Основные положения диссертационного исследования апробированы на научных конференциях молодых ученых и студентов: «III Международная научно-практическая конференция молодых ученых, посвященная 52-й годовщине полета Ю.А. Гагарина в космос», «Научные труды факультета КТАС КубГТУ», Всероссийской научной конференции «Инновационные процессы в высшей школе» (Краснодар, 2010).

Опубликовано 5 работ, из них 1 статья в рецензируемом журнале из перечня ВАК при Минобрнауки России, доклад на IX международной практической конференции «Актуальные достижения европейской науки», 3 тезиса докладов на представленных выше конференциях.

Получено свидетельство о государственной регистрации программы для ЭВМ № 2013618115 от 30.08.2013 г. «Программный модуль для проведения анализа и исследования формулы цветового различия в выделении контуров объектов», по заявке № 2013615927 от 11 июля 2013 года (Приложение В).

Основные положения, выносимые на защиту:

- принцип выделения контуров по цветовому различию;

- модель константности цветового восприятия;

- алгоритм выделения объектов по цвету;

- архитектура предложенного функционирования нейронной сети;

- использование входных значений нейронной сети в виде временного

ряда зависимостей расположения координат графического объекта;

- алгоритм взаимодействия нейронной сети с системой предварительной классификации выделенных объектов на изображении.

Личный вклад автора. Основные научные результаты и выносимые на защиту положения об использовании методов, основанных на характеристиках цвета, разработанные алгоритмы и архитектура предлагаемой нейронной сети и разработанные на их основе программные средства, проведенные с их помощью экспериментальные исследования в диссертации, получены автором лично.

Объем и структура работы. Диссертационное исследование состоит из введения, пяти глав и заключения, изложенных на 144 страницах машинописного текста. Диссертационная работа содержит 81 рисунков и графиков, 17 таблиц и список использованных источников из 112 наименований.

В первой главе проведен анализ теоретических методов для решения проблем, возникающих в процессе распознавания графической информации на растровых изображениях. Выявлено, что для решения ключевых проблем в распознавании графической информации необходимо пересмотреть существующие подходы: либо усовершенствовать имеющиеся, либо создать новые путем гибридизации существующих. Проанализированы основные классические подходы, выявлены проблемы, возникающие на пути их использования. Исследовано применение интеллектуальных систем для распознавания графической информации. Определены направления улучшения интеллектуальных систем для задачи распознавания графической информации.

Во второй главе рассмотрены комплексный подход к процессу распознавания графической информации, теоретические и математические методы для применения в разрабатываемой системе. Проведено обоснование применения разработанных алгоритмов в сравнении с существующими подходами. Определена роль качественного выделения объектов на

растровом изображении для последующей успешной их классификации. Описан метод выделения контуров по цветовому отличию. Разработан подход выделения объектов, устраняющий разрывы контуров, основанный на использовании моделирования константности цветового восприятия человеком. Реализованы подходы к решению задачи поворота объекта и приведению его к константному положению, относительно тех, что имеются в базе классификатора.

В третьей главе диссертационного исследования подробно приводится описание разработанных алгоритмов и способов обработки графического изображения для получения данных об объекте. Продемонстрированы практические результаты в сравнении с имеющимися аналогами. Представлены статистические данные, подтверждающие гипотезу выделения объекта по цвету. Разработан алгоритм выделения объектов по цвету. Продемонстрирован процесс предобработки выделенных объектов перед подачей их в модуль нейронных сетей.

В четвертой главе диссертационного исследования приведены взаимодействующие между собой алгоритмические, структурные, архитектурные решения модуля классификации на основе нейронной сети с использованием экспертной системы. Предложена и разработана архитектура нейронной сети, которая имеет групповое разбиение для распознаваемых объектов. Определены состав и характеристики входного и выходного вектора значений нейронной сети для распознавания объектов. Построены алгоритмы взаимодействия элементов модуля между собой, определен характер взаимодействия нейронной сети и экспертной системы.

В пятой главе обоснован выбор применяемых инструментальных средств и программных продуктов для проведения диссертационного исследования. Продемонстрированы преимущества инструментальных средств выбранных для апробации материалов диссертационного исследования. Подтверждена практическая возможность реализации разработанных алгоритмов и архитектур разработанным программным

обеспечением с применением обоснованных инструментальных средств и технологий. Приведены результаты пропускной способности технологии С1ЮА, обосновано ее применение. Показана архитектура реализации нейронных сетей с использованием высокопроизводительных графических процессоров.

Каждая глава диссертационной работы заканчивается краткими выводами, а вся работа - заключением.

1 Исследование методологических аспектов распознавания графической информации 1.1 Структура систем распознавания графической информации

Мозг человека - уникальное творение природы, но в сегодняшний век высоких технологий и огромного потока информации один индивидуум с самым высоким показателем работоспособности мозга не сможет удерживать в памяти и быстро воспроизводить весь информационный поток. На помощь приходят высокотехнологичное оборудование - электронные вычислительные комплексы (ЭВК). Именно с их помощью на сегодня осуществляется получение, обработка и хранение всевозможной информации. Электронно-вычислительная техника гораздо эффективнее обеспечивает использование этого информационного массива для решения задач научно-хозяйственного характера.

Стремительно развивающиеся компьютерная техника и телекоммуникации повышают требования к процессу получения, обработки и хранения информации. Самым удобным средством представления данных является графическая информация [84]. Именно в сегменте научных исследований, касающихся распознавания графической информации, происходят революционные изменения к подходам обработки данных. Обоснованная структуризация систем распознавания графической информации позволяет определить проблемные вопросы для исследования.

Для данной проблемной области трудно применять уже существующие формальные теории и классические методы, так как очень часто либо не хватает доступной информация для построения точной математической модели, либо существует сложность использования моделей или математических методов, при которой их результативность несопоставима с вычислительными затратами.

При анализе структур систем распознавания графической информации необходимо рассматривать в комплексе целый набор технических средств,

программных комплексов, математических аппаратов, моделей и т. д. Проведенное исследование теоретических и практических аспектов, применяемых в области распознавания графической информации, позволяет выделить обобщающую структуру систем распознавания графической информации, схематично представленную на рисунке 1.1.

---------------- >»

Система распознавания графической информации подразделяется на две подсистемы:

- преобразование первоначального изображения к виду, который удобно сопоставлять и классифицировать;

- распознавание, то есть отнесение объекта на изображении к конкретной группе объектов.

Возьмем за основу следующие существующие блоки, в которых возможна научная проработка их механизмов функционирования.

1. Информационный блок:

- введение понятия подобия изображения и формулирование правил, согласно которым объект относится к одной группе из классифицируемых или к разным группам;

- создание классификатора прецедентов - примеров, которые в виде формальных характеристик могут быть представлены применяемому алгоритму распознавания для настраивания решаемой задачи в процессе обучения.

2. Блок распознавания: отнесение распознаваемого объекта согласно его описанию к одному из заданных классификаторов, другими словами обучение с экспертом.

3. Блок автоматической классификации: группировка множества изображений (ситуаций) по их описаниям по системе непересекающихся классов (самообучение, кластерный анализ).

4. Проработка информативного набора признаков при распознавании.

5. Преобразование исходного изображения к виду, удобному для распознавания.

6. Динамическое распознавание и динамическая классификация -проблемы блоков 2 и 3 для динамических объектов.

Стоит отметить, что технические средства фиксации графической информации достигли необходимых качеств получения изображений, таких, как разрешение фотоснимка и видеозаписи, качество передачи цветов и скорость работы этих систем. Слабым местом структуры является промежуточное звено, осуществляющее поиск закономерностей и непосредственно распознавание входящей графической информации. Именно от промежуточного звена и зависит качество распознанных данных и образов. Стоит отметить особые достижения в развитии не используемых в данной работе современных комплексов распознавания, таких, как FineReader и другие. Наиболее удачным применимым решением является

использование OCR (Optical Character Recognition). На смену OCR все чаще приходит иная система, базирующаяся на интеллектуальном распознавании, но принципы системы ICR (Intelligent Character Recognition) остались прежними.

1.2 Анализ базовых подходов к распознаванию графической

информации

Со времен появления графической информации и интерпретации представления о ней ученые пытались объективно ее классифицировать, в результате чего появлялись разные математические модели, аппаратно логические устройства, программные комплексы, а также происходило выделение самого направления, касающегося распознавания графической информации.

Само направление - это «Теория распознавания образов» или «Распознавание образов». Проведя критический анализ существующего понятийного аппарата [3; 10; 35; 63; 110; 111; 112], определяем, что распознавание образов представляет собой отнесение объекта, представленного многообразием его физических характеристик и свойств, к одному из классов в перечне базы классификатора или системы распознавания, работающей по определенным правилам в соответствии с целью задачи.

Под понятием графического образа, по мнению автора, следует представлять совокупность всего многообразия графической информации (синтаксическая информация, графические предметы и т.д.).

Необходимо конкретизировать понятийный аппарат для данного научного исследования по направлениям техники и кибернетики.

Наиболее полно интерпретируется понятие «распознавание образов» в технике и кибернетике в библиотеке семантической сети - проект www.glossary.ru.

Распознавание образов в технике - научно-техническое направление, связанное с разработкой методов и построением систем (в т. ч. на базе ЭВМ) для установления принадлежности некоторого объекта (предмета, процесса, явления, ситуации, сигнала) к одному из заранее выделенных классов объектов (образов) [15]. Процесс распознавания основывается на сопоставлении признаков, свойств, характеристик входного объекта с признаками, характеристиками известных объектов, занесенных в базу данных, в результате чего определяется вероятность наиболее правдоподобного их соответствия.

Распознавание образов в кибернетике - раздел математической кибернетики, разрабатывающий принципы и методы классификации, а также идентификации предметов, явлений, процессов, сигналов, ситуаций - всех тех объектов, которые могут быть описаны конечным набором некоторых признаков или свойств, характеризующих объект [15].

По мнению Журавлева Ю.И.: «Теория распознавания образов - раздел информатики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и объектов, которые характеризуются конечным набором некоторых свойств и признаков» [28; 112].

Проведение широкоохватного анализа теоретических и практических источников позволяет констатировать, что в результате многолетних научных исследований в области распознавания графической информации достигнуты лишь определенные успехи в узких областях или прикладных задачах [1; 2; 5; 11; 12; 14; 19; 25; 27; 31; 32; 33; 44; 45; 60; 64; 73 и др.]. В сегодняшний период инновационного развития технологий проблема качественного распознавания образов наиболее актуальна для научных исследований [85; 86; 87]. Период разрешения проблем в области распознавания графической информации приобрел довольно затяжной характер - отсутствие прогресса в построении общей теории распознавания образов отмечается в работах, разнесенных по времени более чем на четверть

века [9]. Этот застой вызван не только процессом разработки самого направления, но и кризисом развития родительской науки [24; 75].

В современной науке определены два основных направления в изучении процесса распознавания графической информации и образов [17,18,19]:

- изучение способностей к распознаванию, которыми обладают живые

существа, объяснение и моделирование их;

- развитие теории и методов построения устройств, предназначенных

для решения отдельных задач в прикладных целях.

Выделены основные (базовые) методы [17, 18, 19]:

- оптический;

- контурный анализ (КА);

- искусственные нейронные сети.

Практикой применения доказано, что в использовании каждого метода есть свои сильные и слабые стороны.

1.2.1 Оптический метод

Оптический метод считается самым первым и самым ранним подходом в распознавании образов и изображений. Прикладное применение данного метода зафиксировано с 1950 года [112]. Оптический метод в основном используется для распознавания символьной информации.

Одна из самых ранних методик оптического распознавания символов базировалась на сопоставлении матриц или на сравнении с образцом. Программы оптического распознавания символов, которые используют метод сопоставления с образцом, имели растровые рисунки для каждого символа по каждому размеру и шрифту (рисунок 1.2) [16].

Следующим эволюционным шагом в развитии оптического распознавания символов стало выделение признаков. При этом распознавание символов выстраивается на идентификации их универсальных

особенностей, чтобы сделать распознавание символов независимым от шрифтов (рисунок 1.3).

«

1

f

\

I

1

i

|

f

1 -r _ -

Рисунок 1.2 - Сравнение с образцом

Рисунок 1.3- Выделение признаков

Хотя выделение признаков и было эволюционным движением научной мысли вперед сравнительно с соответствием по матрице, практическая реализация оказалась плохо работающей с изображениями низкой резкости или плохого качества. Для устранения выявленных практикой шумов в дальнейшем было сформировано целое направление научных исследований.

Методы, когда в основе используются сопоставление с матрицей или поиск признаков, уступают последним описанным научным достижениям, где дополнительно распознаются не отдельные символы, а целые слова. Данную технологию, предложенную Caere Corporation, называют прогнозирующим оптическим распознаванием слов (Predictive Optical Word Recognition — POWR) [16]. При реализации этого метода используются нейронные сети. Базой подобных технологий является выявление

Список литературы диссертационного исследования кандидат наук Шичкин, Дмитрий Александрович, 2013 год

Список использованных источников

1. Альтшуллер Г. Найти идею : Введение в ТРИЗ - теорию решения изобретательских задач / Генрих Альтшуллер ; ред. Н. Величенко. - 4-е изд. -М. : Альпина Паблишерз, 2011. - 400 с. - (Серия «Искусство думать»).

2. Барский А. Б. Логические нейронные сети : учебное пособие / А. Б. Барский. - М.: Интернет-Университет Информационных технологий: БИНОМ. Лаб. Знаний, 2011. - 352 с.

3. Батовкин В. К. Системная и программная инженерия : словарь-справочник / В.К. Батовкин. - М. : ДМК Пресс, 2010. - 280 с.

4. Белозерский Л. А. Основы построения систем распознавания образов [Электронный ресурс] : курс лекций. 4.1. / Л. А. Белозерский ; отв. за выпуск В. В. Гончаров. - Донецк : ДГИИИ, 1997. - Режим доступа: http://www.refstar.rU/data/r/id. 17109_l.html, свободный. - Загл. с экрана. -Яз. рус.

5. Блинникова И. В. Когнитивная психология : учеб. для студентов вузов / И. В. Блинникова, А. Н. Воронин, В. Н. Дружинин [и др.]. - М. : Per Se, 2002.-480 с.

6. Боресков А. В. Основы работы с технологией CUDA /

A. В. Боресков, А. А. Харламов. - М. : ДМК Пресс, 2010. - 232 с. : ил.

7. Боровиков В. П. STATISTICA. Искусство анализа данных на компьютере: для профессионалов / В. П. Боровиков. - 2-е изд. - СПб. : Питер, 2003. - 688 с. : ил.

8. Вавилов С. И. Глаз и солнце : о свете, солнце и зрении / С. И. Вавилов. - М. : Наука, 1976. - 127 е., 1 л. портр.

9. Вапник В. Н. Теория распознавания образов : статистические проблемы обучения / В. Н. Вапник, А. Я. Червоненкис. - М. : Наука, 1974. -416 с.

10. Васильев В. И. Распознающие системы : справочник /

B. И. Васильев. - 2-е изд. - Киев: Наукова думка, 1983. - 424 с.

11. Введение в контурный анализ ; Приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев [и др.] ; под ред. Я. А. Фурмана. - 2-е изд., испр. - М. : ФИЗМАТ ЛИТ, 2003. -592 с.

12. Верхаген К. Распознавание образов: состояние и перспективы / К. Верхаген, Р. Дёйн, Ф. Грун [и др.]. - М. : Радио и связь, 1985. - 103 с.

13. Выделение цвета кожи человека [Электронный ресурс] // Recog.ru— Распознавание образов для программистов. - 2013. - Режим доступа: http://recog.ru/blog/applied/56.html. - Дата обращения: 25.06.2013. -Загл. с экрана.

14. Галушкин А. И. Нейронные сети: основы теории / А. И. Галушкин. - М. : Горячая линия - Телеком, 2010. - 496 с.

15. Глоссарий.ги [Электронный ресурс] : Служба тематических толковых словарей / руководитель проекта С. Ю. Соловьев ; ред. баз знаний Н. В. Казеннова; мастер семантической сети Г. П. Гинкул [и др.]. - М., [2013]. - Режим доступа: http://www.glossary.ru. - Загл. с экрана.

16. Голицына О. Л. Программное обеспечение : учебное пособие / О. Л. Голицына, Т. Л. Партыка, И. Т. Попов. - 2-е изд., перераб. и доп. - М. : ФОРУМ, 2008. - 448 е.: ил. - (Профессиональное образование).

17. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М. : Техносфера, 2005. - 1072 с.

18. Горелик А. Л. Методы распознавания : учеб. пособие для вузов по специальностям: «Вычислительные машины, комплексы, системы и сети», «Автоматизированные системы обработки информации и управления» / А. Л. Горелик, В. А. Скрипкин. - 3-е изд., перераб., доп. - М. : Высш. шк., 1989.-232 с.

19. Горелик А.Л. Современное состояние проблемы распознавания : некоторые аспекты / А. Л. Горелик, И. Б. Гуревич, В. А. Скрипкин. - М. : Радио и связь, 1985. - 161 с.

20. Грузман И. С. Цифровая обработка изображений в

информационных системах : учеб. пособие / И. С. Гузман, В. С. Киричук [и др.] - Новосибирск : Изд-во НГТУ, 2002. - 352 с.

21. Гуревич М. М. Цвет и его измерение / М. М. Гуревич. - Л. : Издательство Академии наук СССР, 1950. - 269 с.

22. Джакония В. Е. Система цветного телевидения 1чГТ8С /

B. Е. Джакония // Телевидение. - М., 2002. - С. 249-265. - 640 с.

23. Джонс М. Т. Программирование искусственного интеллекта в приложениях / М. Т. Джонс. - М. : ДМК Пресс, 2008. - 312 с.

24. Дидук Н. Н. Существует ли наука кибернетика? О роли кибернетики в естествознании / Н. Н. Дидук, В. Н. Коваль // Проблемы управления и информатики. -2001. -№ 3. - С.133-155.

25. Дружинин В. Н. Экспериментальная психология : учеб. пособие для вузов по специальности «Психология» / В. Н. Дружинин. - СПб. : Питер, 2003. - 320 с. - (Серия «Учебник нового века»).

26. Дуда Р. Распознавание образов и анализ сцен : пер. с англ. / Р. Дуда, П. Харт ; под ред. В. Л. Стефанюка. - М. : Мир, 1976. - 509 с.

27. Журавлёв Ю. И. Избранные научные труды / Ю. И. Журавлев. -М. : Магистр, 1998. - 420 с.

28. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания или квалификации / Ю. И. Журавлев // Проблемы кибернетики. - М., 1978. - Т. 33. - С. 5-68.

29. Загоруйко Н. Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко. - Новосибирск : Изд-во Ин-та математики, 1999. - 270 с.

30. Ивенс Р. М. Введение в теорию цвета : пер. с англ. / Р. М. Ивенс ; ред. Л. П. Троицкая. - М. : Мир, 1964. - 443 с.

31. Искусственный интеллект и принятие решений / ред.

C. В. Емельянов. - М. : РАН, 2008. - Вып. 1. - 120 с. - (Серия: Журнал РАН «Искусственный интеллект и принятие решений»).

32. Искусственный интеллект и принятие решений / ред. С. В. Емельянов. - М. : РАН, 2008. - Вып. 2. - 76 с. - (Серия: Журнал РАН

«Искусственный интеллект и принятие решений»).

33. Калинин И. Технологии обработки графической информации [Электронный ресурс] / И. Калинин // Информатика. - 2007. - № 16. - Режим доступа: http://inf.lseptember.ru/article.php?ID=200701600, свободный. - Загл. с экрана.

34. Каримов Р. Н. Основы дискриминантного анализа : учеб.-метод, пособие / Р. Н. Каримов. - Саратов : СГТУ, 2002. - 108 е.: ил.

35. Козлов В. Н. Элементы математической теории зрительного восприятия / В. Н. Козлов. - М. : МГУ, 2001.- 122 с.

36. Компьютерное зрение. Современный подход = Computer Vision: A Modern Approach. / Дэвид А. Форсайт, Джин Понс. - М. : Вильяме, 2012. -928 с.

37. Круз Р. Структуры данных и проектирование программ / Р. Круз. -М. : БИНОМ. Лаборатория знаний, 2008. - 765 с.

38. Кудрявцев Л. Д. Краткий курс математического анализа. Т. 1. Дифференциальное и интегральное исчисления функций одной переменной. Ряды : учебник / Л. Д. Кудрявцев. - 3-е изд., перераб. - М.: ФИЗМАТЛИТ, 2005.-400 с.

39. Кудрявцев Л. Д. Краткий курс математического анализа. Т. 2. Дифференциальное и интегральное исчисления функций многих переменных. Гармонический анализ : учебник / Л. Д. Кудрявцев. - 3-е изд., перераб. - М.: ФИЗМАТЛИТ, 2005 - 424 с.

40. Курс лекций по предмету «Основы проектирования систем с искусственным интеллектом» [Электронный ресурс] / сост. С. Л. Сотник // Сайт цифровых учебно-методических материалов Центра Образования ВГУЭС. - Днепродзержинск, 1997-2000. - Режим доступа: http://abc.vvsu.ru/Books/ebooks_iskt/3neKTpoHHbiey4e6HHKH/P01/lectures.htm, свободный. - Загл. с экрана. - Яз. рус.

41. Макарова Н. В. Информатика : учебник для вузов / Н. В. Макарова, В. Б. Волков. - СПб. : Питер, 2011. - 576 с. : ил.

42. Малыхина М. П. Аспекты практического применения цветового различия для распознавания и выделения границ изображений / Малыхина М. П., Шичкин Д. А. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар, 2013. - №05(89). -Режим доступа: http://ej.kubagro.ru/2013/05/pdf/42.pdf.

43. Малыхина М. П. Нейросетевая экспертная система на основе прецедентов для решения проблем обслуживания абонентов сотовой сети / М. П. Малыхина, Ю. В. Бегман // Известия вузов. Северо-кавказский регион. Технические науки. - Новочеркасск, 2009. - №3. - С. 6-9.

44. Математические методы распознавания образов (ММРО-13) : сб. докл. 13-й Всерос. конф. - М. : Изд-во «МАКС Пресс», 2007. - 668 с.

45. Математические методы распознавания образов (ММРО-9) : сб. докл. 9-й Всерос. конф. - М. : Изд-во «AJIEB-B», 1999. - 271 с.

46. Медведев В. Ю. Цветоведение колористика: учеб. пособие (курс лекций) / В. Ю. Медведев. — СПб. : ИПЦ СПГУТД, 2005. - 116 с.

47. Методы распознавания образов [Электронный ресурс] : конспект лекций / Волошин Г. Я. ; ред. Ильин А. А. - Владивосток : ВГУЭС, [2013]. -Режим доступа: http://abc.vvsu.ru/Books/Metody_r/pageOOO 1 .asp. - Загл. с экрана.

48. Мыслительные образы: когнитивный подход = Imagery : пер. с англ. / Джон Т. Э. Ричардсон. - М. : Когнито-Центр, 2006. - 175 с. -(Университетское психологическое образование).

49. Нейронные сети: STATISTIC A Neural Networks : Методология и технологии современного анализа данных / под ред. В. П. Боровиков. - 2-е изд., перераб., доп. - М. : Горячая линия. - Телеком, 2008. - 392 с.

50. Новикова Н. М Структурное распознавание образов : учеб. пособие для вузов / Н. М. Новикова ; ред. И. Г. Валынкина. - Воронеж : Издательско-полиграф. центр ВГУ, 2008. - 30 с.

51. Опалева Э. А. Языки программирования и методы трансляции /

Э. А. Опалева, В. П. Самойленко. - СПб. : БХВ-Петербург, 2005. - 471 с.

52. Орлов А. И. Прикладная статистика : учеб. / А. И. Орлов. - М. : Экзамен, 2006. - 672 с.

53. Осовский С. Нейронные сети для обработки информации / С. Оссовский ; пер. с польского И. Д. Рудинского. - М. : Финансы и статистика, 2002. - 344 е.: ил.

54. Оценка эффективности гибридизации интеллектуальных методов на примере нейросетевой экспертной системы на основе прецедентов [Электронный ресурс] / М. П. Малыхина, Ю. В. Бегман / Научный журнал КубГАУ. - Краснодар, 2013. - № 86(02).- Режим доступа: http://ej .kubagro.ru/2013/02/pdf/24.pdf.

55. Павловская Т. А. С# : Программирование на языке высокого уровня : учебник для вузов / Т. А. Павловская. - СПб. : Питер, 2009. - 432 с. : ил.

56. Парубец В. В. Применение технологии CUD А для ускорения вычислений в нейронных сетях [Электронный ресурс] / В. В. Парубец, О. Г. Берестнева, Д. В. Девятых // Известия Томского политехнического университета. - 2012.- № 5. - С. 121-125. - Режим доступа: http://cyberleninka.ru/article/n/primenenie-tehnologii-cuda-dlya-uskoreniya-vychisleniy-v-neyronnyh-setyah. - Дата обращения: 26.01.2013.

57. Писаревский А. Н. Системы технического зрения / А. Н. Писаревский, А. Ф. Чернявский, Г. К. Афанасьев [и др.] ; под общ. ред. А. Н. Писаревского, А. Ф. Чернявского. - JI. : Машиностроение. Ленингр. отд-ние, 1988. - 424 е.: ил.

58. Попов Е. В. Обзор распространённых методов выделения границ на изображениях [Электронный ресурс] / Е. В. Попов, А. А. Козаченко // V Praze : Publishing house Education and Science s.r.o. - 2012. - Режим доступа: http://www.rusnauka.com/15_NNM_2012/Informatica/3_l 10744.doc.htm, свободный. - Загл. с экрана. - Яз. рус., англ.

59. Потапов А. С. Распознавание образов и машинное восприятие: Общий подход на основе принципа минимальной длины описания. - СПб. :

Политехника, 2007. - 548 с.

60. Потапов А. А. Новейшие методы обработки изображений / А. А. Потапов. - М. : ФИЗМАТЛИТ, 2008. - 496 с.

61. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. - М. : Мир, 1978.-414 с.

62. Прэтт У. Цифровая обработка изображений. В 2 т. / У. Прэтт. -Пер. с англ. - М. : Мир, 1982.

63. Редозубов А. Д. Мозг напрокат [Электронный ресурс] : Как работает человеческое мышление и как создать душу для компьютера / А. Д. Редозубов // Электронная библиотека Либрусек. - Эквадор, 2010. -Режим доступа : http://lib.rus.ec/b/392799/view. - Загл. с экрана. - Яз. рус.

64. Редько В. Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики / В. Г. Редько. - М. : УРСС ; ЛИБРОКОМ, 2013.-224 с.

65. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети / А. П. Ротштейн. - Винница : УНИВЕРСУМ, 1999. - 320 с.

66. Рыбина Г. В. Лабораторный практикум по курсу «Динамические интеллектуальные системы» : учеб. пособие / Г. В. Рыбина, В. Ю. Берзин. -М. : МИФИ, 2004. - 96 с.

67. Рыбина Г. В. Технология построения динамических интеллектуальных систем : учеб. пособие / Г. В. Рыбина, С. С. Паронджанов. - М. : МИФИ, 2011. - 240 с.

68. Сандерс Дж. Технология CUDA в примерах: введение в программирование графических процессов : пер. с англ. / Дж. Сандерс, Э. Кандрот ; науч. ред. А. В. Боресов. - М. : ДМК Пресс, 2011. - 232 с : ил.

69. Сергеев А. П. Основы компьютерной графики. Adobe Photoshop и CorelDRAW - два в одном : самоучитель / А. П. Сергеев, С. В. Кущенко. -М. : Диалектика, 2006. - 544 с. + CD-ROM.

70. Синтез цвета // Фотокинотехника : энциклопедия / гл. ред.

Е. А. Иофис.-М., 1981.-С. 411.

71. Спиркин А. Г. Философия : учебник / А. Г. Спиркин. - 2-е изд. -М. : Гардарики, 2004. - 736 с.

72. Степанова М. Д. Математические методы диагностики в медицинских интеллектуальных системах : учеб.-метод, пособие по курсу «Прикладные интеллектуальные системы и системы принятия решений» для студентов специальности Т 10.04.00 «Искусственный интеллект» / Степанова М. Д., Самодумкин С. А., Лемешева Т. Л. - Минск : БГУИР, 2001.-44 с.

73. Стокман Дж. Компьютерное зрение = Computer Vision./ Джордж Стокман, Линда Шапиро. - М. : Бином. Лаборатория знаний, 2006. - 752 с.

74. Сторож В. В. Обработка информации у человека / В. В. Сторож // Искусственный интеллект. - 2001. - №4. - С. 96-113.

75. Сторож В. В. Ограничения классических подходов к распознаванию образов / В. В. Сторож // Искусственный интеллект. - 2002. -№3. - С. 171-187.

76. Тищенко Г. А. Осветительные установки : учебник для учащихся техникумов специальности «Электроосветительные приборы и установки». -М. : Высш. шк, 1984. - 247 с.

77. Фор А. Восприятие и распознавание образов / А. Фор. - М. : Машиностроение, 1989.-271 с.

78. Фролов А. В. С# : самоучитель / А. В. Фролов, Г. В. Фролов. - М. : ДИАЛОГ-МИФИ, 2002. - 560 с.

79. Фу К. С. Структурные методы в распознавании образов / К. С. Фу.-М. : Мир, 1977.-319 с.

80. Фукунага К. Введение в статистическую теорию распознавания образов / К. Фугунага. - М. : Наука, 1979. - 367 с.

81. Хабибуллин И. Ш. Программирование на языке высокого уровня. C/C++ / И. Ш. Хабибуллин. - СПб. : БХВ-Петербург, 2006. - 512 с.

82. Хайкин С. Нейронные сети : полный курс / С. Хайкин. - 2-е изд.,

испр. : пер. с англ. - М. : ООО «И.Д. Вильяме», 2006. - 1104 с.

83. Хомоненко А. Д. Delphi 7 / А. Д. Хомоненко, В. Э. Гофман, Е. В. Мещеряков ; под общ. ред. А. Д. Хомоненко. - СПб. : БХВ-Петербург, 2010.- 1136 с.

84. Чэн Ш.-К. Принципы проектирования систем визуальной информации / Ш.-К. Чэн. - М. : Мир, 1994. - 408 с.

85. Шадрин A. Color Management System (CMS) в логике цветовых координатных систем. Ч. 1. [Электронный ресурс] / А. Шадрин, А. Френкель. - [2013]. - Режим доступа: http://www.darkroomphoto.ru/stati/tsvet-i-kolorimetriya/color-management-system-cms-v-logike-tsvetovyih-koordinatnyih-sistem.-chast-i.html.

86. Шадрин A. Color Management System (CMS) в логике цветовых координатных систем. Ч. 2. [Электронный ресурс] / А. Шадрин, А. Френкель. - [2013]. - Режим доступа: http://www.darkroomphoto.ru/stati/tsvet-i-kolorimetriya/color-management-system-cms-v-logike-tsvetovyih-koordinatnyih-sistem.-chast-ii.html.

87. Шадрин A. Color Management System (CMS) в логике цветовых координатных систем. Ч. 3. [Электронный ресурс] / А. Шадрин, А. Френкель. - [2013]. - Режим доступа: http://www.darkroomphoto.ru/stati/tsvet-i-kolorimetriya/color-management-system-cms-v-logike-tsvetovyih-koordinatnyih-sistem.-chast-iii.html.

88. Шилдт Г. С++: базовый курс ; пер. с англ. / Г. Шилдт. - М. : Издательский дом «Вильяме», 2007. - 624 с.

89. Шиффман X. Р. Ощущение и восприятие / X. Р. Шиффман ; перевод с англ. 3. Замчук. - 5-е изд. - СПб. : Питер, 2003. - 928 с. - (Серия «Мастера психологии»).

90. Электронный учебник по статистике StatSoft [Электронный ресурс]. - [2013]. - Режим доступа: http://www.statsoft.ru/home/textbook/modules/stdiscan.

91. Язык программирования Java [Электронный ресурс] /

И.Ю.Баженова // Directmedia. - [М.], 2013. - Режим доступа: http://books.google.ru/books?id::=Ogn_RgyMUdYC. - Дата обращения: 06.09.2013.

92. A Standard Default Color Space for the Internet - sRGB. Version 1.10, November 5, 1996 = Стандарт цветового пространства для Интернета - sRGB Версия 1.10, Ноябрь 5, 1996 / Michael Stokes (Hewlett-Packard), Matthew Anderson (Microsoft), Srinivasan Chandrasekar (Microsoft), Ricardo Motta (Hewlett-Packard) [Электронный ресурс]. - [2013]. - Режим доступа: http://www.w3.org/Graphics/Color/sRGB.html, свободный. - Загл. с экрана. -Яз. англ.

93. CIE - INTERNATIONAL COMMISSION ON ILLUMINATION. [Электронный ресурс] / Web page of INTERNATIONAL COMMISSION ON ILLUMINATION. - 2013]. - Режим доступа: http://www.cie.co.at/index.php.-Загл. с экрана.

94. CIE 1971, International Commission on Illumination. Colorimetry: Official Recommendations of the International Commission on Illumination / Bureau Central de la CIE-Paris, 1971. - Publication CIE No. 15 (E-1.3.1), 1971.

95. Cook S. CUD A Programming : A Developer's Guide to Parallel Computing with GPUs / S. Cook. - Waltham : Elsevier, 2013.-576 p.

96. Gangaputra S. A Unified Stochastic Model for Detecting and Tracking Faces / S. Gangaputra, D. Geman // Сотр. and Robot Vision, Canadian Conf. -CA: IEEE Computer Society, 2005. - P. 306-313.

97. Gaurav Sharma Digital Color Imaging Handbook [Электронный ресурс] / Электронная библиотека GOOGLE. - [2013]. - Режим доступа: http://books.google.com/books?id=OxlBqY67rlOC&pg=PA31&vq=1.42&dq=jnd+ gaurav+sharma&source=gbs_search_s&sig=vresXi 1 emghh 1 Jq5 7hr2R6cVXIs, свободный. - Загл. с экрана. - Яз. англ.

98. Gorodnichy D. Nouse 'Use Your Nose as Mouse' - A New Technology for Hands Free Games and Interfaces / D. Gorodnichy, S. Malik, G. Roth // Image and Vision Computing. - 2004. - Vol. 22, № 12. - P. 931-942.

99. Gruendig M. 3D Head Pose Estimation with Symmetry based Illumination Model in Low Resolution Video / M. Gruendig, O. Hellwitch. // Pattern Recognition. - B: Springer Berlin/Heidelberg, 2004. - Vol. 3175/2004. -P. 45-53.

100.Haralick R. M. Computer and Robot Vision / R. M. Haralick, L. G. Shapiro. - New Jersey : Prentice Hall, 1992. - 630 p.

101. Hermann Giinther Grassmann (1809-1877): visionary mathematician, scientist and neohumanist scholar : papers from a sesquicentennial conference. -Springer, 1996.-369 p.

102. IEC 61966-2-1:1999. Multimedia systems and equipment : Colour measurement and management [Электронный ресурс] - Введ. 1999-10-18 -Режим доступа: http://www.iec.ch. - (IEC web site).

103.LeCun Y. Convolutional Networks for Images, Speech, and Time-Series / Y. LeCun, Y. Bengio // The Handbook of Brain Theory and Neural Networks. - [MA, USA], 1995. - P. 255-258.

104. LeCun Y. Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting / Y. LeCun, F.-J. Huang, L. Bottou // Proceedings of Computer Vision and Pattern Recognition. - IEEE Press, 2004. - Vol. 2 -P. 97-104.

105. Microsoft Developer Network [Электронная библиотека Microsoft]. [Электронный ресурс]. - [2013]. - Режим доступа: http://msdn.microsoft.com/ru-ru/library/default.aspx. - Дата обращения: 27.08.2013.

106. Optimal Brain Damage / Yann LeCun, J. S. Denker, S. Solla, R. E. Howard and L. D. Jackel // Advances in Neural Information Processing Systems 2 (NIPS*89). - Denver, CO, 1990. - P. 598-605.

107. Sharma G. The CIEDE2000 color-difference formula: Implementation notes, supplementary test data, and mathematical observations [Электронный ресурс] / G. Sharma, Wu Wencheng, Edul N. Dalai // Color Research & Applications (Wiley Interscience). - April 2004. - Режим доступа:

http://www.ece.rochester.edu/~gsharma/ciede2000/ciede2000noteCRNA.pdf, свободный. - Загл. с экрана.

108. Wyszecki G. Color Science: Concepts and Methods, Quantitative Data and Formulae / G. Wyszecki, W. S. Styles. - John Wiley & Sons : New York, 1982.-968 p.

109. Yang Jie. A Real-Time Face Tracker / Alex Waibel, Yang Jie [Электронный ресурс]. - [2013]. - Режим доступа: http://www-prima.inrialpes.fr/perso/Tran/Documents/Articles/Divers/RTFaceTracker.pdf. -Дата обращения: 25.06.2013.

Использованные Интернет ресурсы

110. http://habrahabr.ru/

111. http://mmro.ru/

112. http://ru.wikipedia.org/