Разработка системы видеораспознавания графических образов на основе мультиагентных рекурсивных когнитивных архитектур

Размещено на http://www.allbest.ru/

Разработка системы видеораспознавания графических образов на основе мультиагентных рекурсивных когнитивных архитектур

И.А. Пшенокова,

В.А. Денисенко,

З.А. Сундуков,

Д.Г. Макоева,

О.В. Нагоева,

В.В. Бова

Введение

Теория распознавания образа - раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков [1].

Задача распознавания графических образов является классической задачей теории информатики, и в настоящий момент можно выделить два основных направления [2]:

· 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.

В статье рассматриваются вопросы построения системы распознавания использующей первое направление к теории распознавания графических образов, и ее применение в коллаборативных робототехнических системах [3].

Постановка задачи

видеопоток графический распознавание мультиагентный

Дано множество объектов . Объекты задаются значениями некоторых признаков, наборы которых одинаковы для всех объектов. Совокупность признаковобъекта определяет некоторым образом его описание .

Значения признаков могут быть как числовыми, так и перечислимыми.

На всём множестве существует разбиение на подмножества (классы объектов):

Задача распознавания состоит в том, чтобы для каждого данного объекта по егоописанию и априорной (обучающей) информации вычислить значенияпредикатов

Для описания невозможности распознавания объектов предикаты заменяютсявеличинами.

Таким образом, для рассматриваемого объекта щ необходимо вычислить егоинформационный вектор

Процедура, строящая информационный вектор в данном случае выражаеталгоритм принятия решения об отнесении объекта к тому или иному классу иназывается «решающей функцией».

Архитектура системы и принципы работы

Разработанная программная система основывается на теории мультиагентных рекурсивных когнитивных архитектур [4, 5, 6]. В программном комплексе можно выбелить несколько подсистем (агентов) взаимодействующих друг с другом посредством сообщений:

· подсистема предобработки видео сигналов;

· ядро мультиагентной системы;

· подсистема вывода.

Подсистема предобработки видео сигналов реализована с использованием библиотеки OpenCV, и решает следующие задачи:

захват видео с подключенных устройств;

· поиск объектов на изображении;

· построение контуров объектов, их локализация и определение дополнительны характеристик;

· передача информации в ядро мультиагентной рекурсивной когнитивной архитектуры.

Подсистема предобработки изображения, как и ядро мультиагентной рекурсивной когнитивной архитектуры, реализованы в виде сетевых сервисов взаимодействующих посредством сообщений. Сообщение представляет собой JSON документ структура которого представлена на рис. 1.

Рис. 1.-JSON документ описывающий структуру сообщения между подсистемой предобработки видеосигнала и ядром мультиагентной рекурсивной когнитивной архитектуры.

Сообщение содержит 2 обязательных поля: Operationи Data. В поле Operation указывается информация, позволяющая определить назначение передаваемого сообщения и воспринимается системой как заголовок сообщения. Поле Data содержит информацию которой обмениваются подсистемы между собой - тело сообщения.

При поступлении сообщения от подсистемы предобработки видеосигнала в ядро мультиагентной системы, для каждой входной сигнатуры определяется агент, отвечающий за эту сигнатуру. В случае отсутствия в системе агента распознающего такую сигнатуру, создается новый агент, в базу знаний которого закладывается набор правил, позволяющих ему распознавать эту сигнатуру.

Агенты, распознавшие входные сигнатуры различных модальностей, формируют сообщения отсылают их агентам следующего слоя, распознающим объекты по набору признаков. В том случае, если в системе присутствует агент-объект, распознающий сообщения от агентов-признаков, система считает, что распознавание объекта выполнено. Если ни один агент-объект не распознал входную ситуацию, то создается новый агент в базе знаний которого записаны правила позволяющие идентифицировать объект по указанному набору сообщений от агентов-признаков.

Заключение

В статье приведено описание системы распознавания графических образов на основе мультиагентных рекурсивных когнитивных архитектур, применение которой возможно в системах технического зрения различных робототехнических систем. Предложенный подход позволяет расслоить информацию об объектах на несколько модальностей и для идентификации объектов использовать систему баз знаний агентов, каждый из которых отвечает за конкретное значение некоторой модальности или объект, описываемый комбинацией этих модальностей.

Литература

1. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука, 1974.с.16-17.

2. Горелик А.Л., Скрипкин В.А. Методы распознавания. 4 изд. М.: Высшаяшкола, 2004.с.22-23.

3. Anchokov M., Denisenko V., Nagoev Z., Sundukov Z., Tazhev B. Interactive collaborative robotics and natural language interface based on multi-agent Recursive cognitive architectures // First International Conference, ICR 2016. Budapest, Hungary: 2016.pp.107-112.

4. Пшенокова И.А., Денисенко В.А., Нагоева О.В., Токмакова Д.Г., Сундуков З.А. Представление знаний в системах искусственного интеллекта на основе принципов онтонейроморфогенеза и мультиагентного моделирования // Известия Кабардино-Балкарского научного центра РАН. 2015. №6-2. с.158-165.

5. Денисенко В.А., Анчеков М.И., Кармоков М.М., Сундуков З.А. Разработка компьютерной модели мультиагентной когнитивной архитектуры // Известия Кабардино-Балкарского научного центра РАН. 2015. №6-2. с.61-65.

6. Денисенко В.А., Пшенокова И.А., Хамуков А.К. Нейрофизиологические алгоритмы зрительного анализатора головного мозга // Известия Кабардино-Балкарского научного центра РАН. 2015. №6-2. с. 66-72.

7. Романов Д.Е. Нейронные сети обратного распространения ошибки// Инженерный вестник Дона, 2009, №3. URL: ivdon.ru/magazine/archive/n3y2009/143.

8. Артемьев И.С., Лебедев А.И., Долгий А.И., Хатламаджиян А.Е., Меерович В.Д. Метод блочного оптического распознавания инвентарных номеров железнодорожных подвижных единиц на основе комитетной нейроиммунной модели классификации// Инженерный вестник Дона, 2016, №4. URL: ivdon.ru/ru/magazine/archive/n1y2014/2259.

9. Lee, SW. Integrated segmentation and recognition of handwritten numerals with cascadeneural network / SW Lee, SY Kim // Systems, Man, and Cybernetics, Part C: Applications and Reviews, pp. 285-290, 1999.

10. Hastie T., Tibshirani R., Friedman J., The elements of statistical learning: Datamining, inference, andprediction. Springer, 2001- 533 p.

Размещено на Allbest.ru