автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Метод распознавания сверхбольших выборок изображений

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

На правах рукописи

Пименов Виталий Юрьевич

МЕТОД РАСПОЗНАВАНИЯ СВЕРХБОЛЬШИХ ВЫБОРОК ИЗОБРАЖЕНИЙ

05.13.01 — Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата физико-математических наук

-2 СЕН 2010

Санкт-Петербург 2010

004607654

Диссертация выполнена на кафедре компьютерного моделирования и многопроцессорных систем факультета прикладной математики — процессов управления Санкт-Петербургского государственного университета.

Научный доктор физико-математических наук, профессор

руководитель: Андрианов Сергей Николаевич (СПбГУ)

Официальные доктор физико-математических наук, профессор оппоненты: Братчиков Игорь Леонидович (СПбГУ)

доктор технических наук, профессор Потапов Алексей Сергеевич (СПбГУ ИТМО)

Ведущая Государственное научное учреждение «Централь-

организация: ный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики» (ГНУ ЦНИИ РТК)

Защита состоится « V) » 2010 г. в ^ часов на заседании

Совета Д.-212.232.50 по защите докторских и кандидатских диссертаций при Санкт-Петербургском государственном университете по адресу: 199034, Санкт-Петербург, Университетская наб., 7/9, Менделеевский центр.

С диссертацией можно ознакомиться в Научной библиотеке им. A.M. Горького Санкт-Петербургского государственного университета по адресу: 199034, Санкт-Петербург, Университетская наб., 7/9. Автореферат размещен на сайте www. spbu. ru

Автореферат разослан « ~fi » 2010 г.

Ученый секретарь диссертационного совета Д.-212.232.50:

доктор физико-математических наук, профессор (СПбГУ) Курбатова Галина Ибрагимовна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Среди прикладных задяч обработки информации существенное место занимают задачи распознавшая, в кото рых исходная информация представляется в виде иаобр.^-.ений. Проблема распознавания изображений возникает во мшмих практических приложениях. Среди них можно выделить: технологический контроль и обнаружение неисправностей, слежение за подвижными объектами, обработка зрительной информации в системах управления робо-о~ех-нических комплексов, поиск изображений по солержа^.ю, о6рг,1ст-.<а аэрокосмических изображений, обработка медш. пк-'.чкг азобзал^нии

В последние два десятилетия особую актуальное и :.а-

дачи распознавания, сложность которых обуслов 1ена необходимостью удовлетворения требований обработка сверхбольших (более 10° элементов) выборок изображений в режиме реального времени. В результате исследований, направленных на создание систем распознавания изображений, удовлетворяющих указанным требованиям, сформировался новый подход к задачам распознавания. В его сеноае тежит переход от функционального представления изображения к представлению изображения в виде набора векторов признаков. При этом для построения модели изображения используются методы поиска контрольных точек изображений и инвариантные признаки.

Методы, основанные на рассматриваемом подходе, обладают двумя важными достоинствами: во-первых, отсутствием ограничений на свойства изображений, что позволяет применять однотипные методы в рамках существенно различных приложений; во-вторых, возможностью декомпозиции задачи распознавания на задачи поиска контрольных точек, вычисления признаковых представлений этих точек и их сопоставления, что позволяет синтезировать методы распознавания из независимых алгоритмов решения указанных подзадач. В то же время, исследования последних лет показали, что основным недостатком методов рассматриваемого класса является их вычислительная трудоемкость, измеряемая процессорным временем и объемом оперативной памяти, необходимыми для решения задач. Рядом авторов отмечаются трудности, возникающие в задачах распознавания в реальном времени и задачах обработки большого числа изображений.

Появление необходимых по производительности аппаратных решений является индикатором возможности решения задачи повышения оперативности распознавания изображений. Потребность в высокопроизводительных методах распознавания изображений обусловлена также тенденцией к «интеллектуализации» робототехники и средств автоматизации производства. Не менее важную роль здесь играет возрастание объема и разнообразия визуальной информации, связанное

с развитием микроэлектроники и средств передачи информации. В отчете, опубликованном корпорацией International Data Corporation в 2009 году, указывается, что прирост числа хранимых цифровых изображений составляет 24% в год. К концу 2010 года общее количество изображений, полученных с помощью мобильных устройств, по данным Infotrends на 2006 год составит 228 миллиардов.

Указанные тенденции подчеркивают важность разработки эффективных программных и аппаратных средств автоматического распознавания сверхбольших выборок изображений.

Анализ современных методов распознавания изображений на основе сопоставления контрольных точек позволяет сформулировать две основные причины их высокой вычислительной сложности. Задачи поиска контрольных точек, вычисления их признаковых представлений и их сопоставления решаются изолировано от анализа свойств объемлющей выборки изображений, что приводит к неоправданной избыточности наборов признаков изображений. Применяемые методы сопоставления признаков оказываются не достаточно эффективными в задачах обработки сверхбольших выборок изображений.

В связи с изложенным возникает проблема разработки таких математических методов распознавания изображений, на основе которых могут быть реализованы относительно простые вычислительные алгоритмы, обеспечивающие требуемые высокую скорость и качество распознавания в задачах обработки сверхбольших выборок.

Научная задача, решаемая в исследовании, состоит в сокращении времени распознавания сверхбольших выборок изображений.

Целью исследования является разработка метода распознавания изображений на основе математического моделирования свойств изображения, являющегося элементом сверхбольшой выборки.

Задачи исследования.

1. Построение математической модели выборки изображений.

2. Создание математической модели изображения, являющегося элементом сверхбольшой выборки.

3. Синтез метода распознавания сверхбольших выборок изображений на основе разработанных моделей.

4. Разработка программного обеспечения распознавания изображений, реализующего предложенный метод.

5. Экспериментальный анализ эффективности использования предложенного метода распознавания изображений.

Объект исследования. Системы обработки изображений, предназначенные для решения задач распознавания сверхбольших выборок изображений.

Предмет исследования. Математическое и программное обеспечение систем распознавания изображений на основе сопоставления контрольных точек: математические модели изображения, методы поиска и описания контрольных точек изображения.

Методы исследования. Методы системного анализа, математического моделирования, обработки изображений, распознавания образов, цифровой обработки сигналов, теории графов, комбинаторного анализа, информационного поиска.

Научная новизна.

1. Разработана математическая модель сверхбольшой выборки изображений, в соответствии с которой выборка моделируется множеством кластеров значений признаков, вычисленных для изображений, входящих в выборку.

2. Синтезирована математическая модель изображения, в соответствии с которой изображение представляется набором признаков, наиболее информативных для заданной выборки.

3. Разработаны эффективные алгоритмы сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по эталону, вычислительная сложность которых не зависит от свойств изображений.

4. Модифицирован метод быстрых устойчивых признаков, применяемый для вычисления значений признаков. Метод дополнен процедурой, обеспечивающей необходимую инвариантность значений признаков относительно аффинных преобразований плоскости изображения.

Практическая значимость исследования.

1. Использование разработанной модели изображения позволяет синтезировать методы распознавания изображений, вычислительная сложность которых не зависит от свойств изображений.

2. Разработанный метод кластеризации выборки изображений обеспечивает 50-кратное повышение скорости распознавания изображений сверхбольших выборок при изменении показателей точности и полноты кластеризации в пределах 5%.

3. В результате использования предложенного метода сопоставления изображений при обработке изображений, полученных системой технического зрения мобильного робота в натурных экспериментах по автономной навигации в неизвестной заранее среде, достигается сокращение ошибок распознавания на 20% при одновременном повышении средней скорости обработки кадра в 4.4 раза.

Достоверность и обоснованность полученных результатов обеспечиваются корректным применением методов исследования. Корректность функционирования программного обеспечения, реализующего метод распознавания сверхбольших выборок изображений, подтверждена в процессе модульного и нагрузочного тестирования. Результаты вычислительных экспериментов согласуются с известными в литературе результатами.

Личный вклад автора. Все результаты диссертационного исследования получены автором лично.

Апробация результатов исследования. Основные результаты диссертации докладывались и обсуждались на следующих научно-технических конференциях и семинарах: 19th International Conference On Computer Graphics and Vision, GraphiCon (Москва, 2009); 9th International Conference on Epigenetic Robotics (Venice, Italy, 2009); «Актуальные проблемы информационно-компьютерных технологий, ме-хатроники и робототехники» в рамках конференции «Экстремальная Робототехника 2009» и школы-семинара «Адаптивные и интеллектуальные роботы» (пос. Дивноморское, Геленджик, 2009); на Российском Семинаре по Оценке Методов Информационного Поиска РО-МИП (Дубна, 2008; Петрозаводск, 2009); на научной конференции факультета ПМ-ПУ СПбГУ (Санкт-Петербург, 2009 гг.); в 2007-2010 гг. на семинарах кафедры компьютерного моделирования и многопроцессорных систем и кафедры технологии программирования факультета ПМ-ПУ СПбГУ, на семинаре «Нейроинформатика» мате-матико-механического факультета СПбГУ, на семинаре Центрального научно-исследовательского и опытно-конструкторского института робототехники и технической кибернетики, на семинаре «Искусственный интеллект: от методологии к инновациям» Санкт-Петербургского государственного университета информационных технологий, механики и оптики.

Публикации. Материалы диссертации опубликованы в 8 статьях, из которых одна опубликована в журнале, входящем в список ВАК ведущих рецензируемых изданий. Список опубликованных работ приведен в конце автореферата.

Структура и объем работы. Диссертация состоит из введения, четырех глав, общих выводов, списка литературы из 203 наименований. Работа изложена на 110 страницах машинописного текста, содержит 11 рисунков, 4 таблицы и одно приложение.

СОДЕРЖАНИЕ РАБОТЫ

Во Введении обоснована актуальность решаемой научной задачи, дана характеристика достигнутых результатов в области разработки методов распознавания сверхбольших выборок изображений. Сформулированы цель и задачи исследования, а также основные положения составляющие его научную новизну и практическую значимость.

Первая глава посвящена постановке задач распознавания сверхбольших выборок изображений и критическому анализу современных методов решения подобных задач.

Под сверхбольшой выборкой понимается такой набор изображений (включающий более ста тысяч элементов), в котором вместе с каждым выбранным изображением содержится группа близких к нему изображений, причем размер этих групп много меньше размера самой выборки. Задача распознавания сверхбольшой выборки изображений носит трудноформализуемый характер в силу того, что известны существенно различные варианты постановки задачи. Наиболее характерными содержательными постановками задачи являются: кластеризация выборки изображений, полученной из сверхбольшой выборки; поиск изображений выборки по эталону или группе эталонов.

Проведенный в диссертации системный анализ позволил выявить основные направления исследований (Рис. 1), в которых использование информации о свойствах сверхбольшой выборки позволяет получить качественно новые результаты.

Сверхбольшие выборки изображений

Рис. 1. Направления исследований, в которых использование информации о свойствах сверхбольшой выборки позволяет получить качественно новые результаты.

Современные методы распознавания сверхбольших выборок изображений предполагают решение задачи сопоставления изображений и основаны на синтезе модели изображения и определении функции расстояния в пространстве моделей изображений. Схема синтеза

включает этапы поиска контрольных точек и вычисления их признаковых описаний. Функция расстояния вводится на основе решения задачи сопоставления признаковых описаний контрольных точек между моделями наблюдаемых изображений.

Критический анализ известных методов распознавания сверхбольших выборок изображений, проведенный в диссертации, показал, что

- моделирование выборки является важным этапом распознавания входящих в нее изображений, в то же время проблеме моделирования выборки и синтеза моделей изображения, учитывающих свойства выборки, не уделяется достаточного внимания;

- решение задач поиска контрольных точек, вычисления их признаковых представлений и их сопоставления без учета свойств объемлющей выборки приводит к неоправданной избыточности наборов признаков изображений;

- известные методы сопоставления признаков не достаточно эффективны при обработке сверхбольших выборок изображений.

Во второй главе разработаны математические модели сверхбольшой выборки изображений и изображения, являющегося элементом выборки, и синтезирован усовершенствованный метод распознавания сверхбольших выборок изображений.

Определение 1. Изображением будем называть ограниченную функцию I(x,y) : X —» R+, где X = {(х, у)} с R2 — ограниченное связное множество, область определения изображения I, R+ — множество неотрицательных вещественных чисел.

Модель выборки изображений {/}, предложенная в диссертации, описывает распределение признаков для изображений выборки. Для решения задач вычисления признаков изображения в диссертации предложена модификация метода быстрых устойчивых признаков1. В рамках данного метода производится поиск точек экстремума определителя матрицы Гессе функции 1{х,у) (контрольных точек). После этого каждой контрольной точке X ставится в соответствие признаковое описание — вектор V в евклидовом простанстве D, составленный из значений преобразования Хаара, вычисленных в ее окрестности. Разработанная в диссертации модифицикация метода обладает лучшей помехоустойчивостью за счет снятия ограничений на абсолютные значения функции 1(х,у). Кроме того, метод дополнен процедурой, обеспечивающей инвариантности значений признаков относительно аффинных преобразований плоскости.

Для построения модели выборки производится кластеризация множества значений признаков: построение множества из к кластеров с

'Bay Н., Ess A., Tuytelaars Т., Van Gool L. SURF: Speeded Up Robust Features // Computer Vision and Image Understanding. - 2008. - V. 110, No. 3. - P. 346-359

центроидами 2П= {Wi}5í:=1 и размерами {/(W¿)}JL1 соответственно. Такой подход позволяет отделить процесс оценивания распределения признаков от процесса распознавания. Для выполнения кластеризации использован метод /с-средних.

Модель выборки изображений включает, таким образом, множества 5Ш = {Wi}JL1 и {/(Wi)}£=1 и определяет правило нахождения ближайшего к вектору V центроида из множества 2В, обозначаемую Ьяо^У) О 2П. Для вычисления расстояний используется евклидова метрика ро в пространстве

Модель изображения построена с использованием модели выборки изображений на основе понятия информативности признака. Определение 2. Информативностью признакового описания V контрольной точки X изображения I называется величина

где р(Л0 — вероятность наличия признака V в изображении, полученном из выборки {/} случайным образом.

Вычисление оценки значения осуществляется с использованием модели выборки (ЙО,/^):

где |{/}| — объем выборки {/}. Значения функции информативности Q(V) инвариантны относительно линейных преобразований плоскости вследствие инвариантности вектора V. Подобный способ оценки информативности признаков развивает идеи работы2 о взаимосвязи задач моделирования зрительного внимания и задач распознавания. Определение 3. Моделью изображения I будем называть набор 2J = {Vi,...,Удг} наиболее информативных признаковых описаний контрольных точек изображения I.

Метод распознавания сверхбольшой выборки изображений, основанный на предложенных моделях выборки и изображения, включает пять этапов.

1. Вычисление признаков для изображений выборки.

2. Проведение кластеризации множества признаков для построения модели выборки.

3. Оценка информативности признаков изображений.

4. Построение моделей изображений выборки.

5. Выполнение алгоритмов распознавания над моделями.

2Bruce, N.D.B., Tsotsos, J.К. Saliency, Attention, and Visual Search: An Information Theoretic Approach // Journal of Vision. - 2009. — Vol. 9, No. 3. - P. 1-24.

s(V) = -log(p(V)),

Отбор наиболее информативных признаков обеспечивает независимость вычислительной сложности операций над моделью изображения от числа признаков, а использование значений информативности позволяет эффективно применить метод компрессии Хаффмана для хранения данных о модели изображения.

В Третьей главе разработаны алгоритмы распознавания изображений на основе предложенной в диссертации модели изображения:

- алгоритм сопоставления изображений;

- алгоритм кластеризации выборки изображений;

- алгоритм поиска изображений выборки по эталону.

Данные задачи распознавания наиболее типичны при обработке сверхбольших выборок изображений. В главе также обоснованы характеристики нового программного комплекса, необходимого и созданного для реализации указанных алгоритмов распознавания.

Решением задачи сопоставления изображений, с наборами признаков Qj; = {Vf\i = [1,n]} и 0?2 = = [l,m]}, является множество пар {(V^f), V^) | e ^.V^'1 6 %} таких, что ^{Vf'.vW) = min, PD(ViMj]) = min Po(vf\v2)

VitvJj

Основное отличие предложенного алгоритма от известных, основанных на полном переборе признаков сопоставляемых изображений, состоит в использовании модели выборки (2П, hm)- За счет использования отображения д, устанавливающего соответствие между признаками изображения и центроидами W, поиск соответствий удалось ограничить множествами пар векторов (Уг,У2), таких что ftfflj(Vi) = h<m(Vг). Математическое ожидание числа операций вычисления расстояний между векторами признаков в этом случае равно

i=l

в то время как при полном переборе оно составляет um. В диссертации доказана следующая лемма.

Лемма. Пусть 03 = {V1,..., Удг} — модель изображения и N < к. Тогда минимум величины Cq с необходимостью достигается в том случае, когда Q(\i) > Q(W,),Vz € {1,7V}, VZ e {N + l,k}.

Предложенный алгоритм сопоставления изображений, таким образом, является оптимальным по ожидаемой вычислительной сложности при использовании предложенной модели изображения.

Решение задачи кластеризации предложено осуществлять с помощью алгоритма, основанного на построении минимального остовного дерева графа. Основная идея алгоритма состоит в том, чтобы представить выборку изображений взвешенным неориентированным графом,

вершинами которого являются модели изображений, каждому ребру присваивается вес равный расстоянию между соединяемыми им моделями. Для формализации понятия расстояния предложено использовать гистограмму распределения индексов в модели изображения. Определение 4. Гистограммой распределения индексов в модели изображения называется набор Н(*С) = {/(1.....11к},

где 1г(\г) — индикаторная функция, принимающая значение 1 при ^ш(^) = и значение 0 в противном случае.

Расстояние между гистограммами моделями изображений 33 и задается как корень квадратный дивергенции Дженсена-Шеннона — функции, характеризующей близость гистограмм частот индексов в данных моделях:

В Приложении А к диссертации показано, что выбранная функция расстояния является метрикой.

Минимальное остовное дерево определяет иерархическую систему кластеров, в которой переход вниз по иерархии соответствует выбору ребер в порядке уменьшения веса. Для получения результирующего множества кластеров, из минимального остовного дерева удаляются ребра, для которых выполняется заданное условие избыточности. Результатом этой процедуры является набор деревьев, соответствующих кластерам: вершины каждого дерева считаются входящими в один кластер. Используемый вероятностный алгоритм построения минимального остовного дерева обладает вычислительной сложностью

N

Рис. 2. Наборы изображений, составляющие кластера.

Таблица 1. Сводная таблица результатов оценки эффективности решения задачи сопоставления изображений.

Метод Точность Полнота tdet (мс) <desc (мс) tmatch (мс)

dog har-m hes-aff-m 0.694 0.674 0.730 0.899 0.890 0.901 2056 10705 2415 848 4538 1023 1454 27485 2410

surf-afi 0.910 0.891 2650 1170 294

О(М), где М — объем выборки, в отличие от стандартных алгоритмов, сложность которых 0(М2). На Рис. 2 приведены примеры двух наборов изображений, составляющих кластера, полученные при использовании рассмотренного алгоритма.

Для решения задачи поиска изображения по эталону предложен алгоритм, включающий два независимых этапа: предобработки и поиска. На этапе предобработки производится построение таблицы вида W 3w. которая каждому центроиду W ставит в соответствие множество изображений Dw. в моделях которых содержатся признаки V такие, что W = Лаи(У). На втором этапе производится построение множества U ^w изображений, содержащих призна-we<n*

ки, индексы которых совпадают с индексами признаков эталонного изображения I* (здесь ЯГ — его модель). После этого для изображений построенного множества вычисляются расстояния до эталонного изображения. Выбор близких изображений осуществляется на основе сравнения вычисленного расстояния с пороговым значением.

Для программной реализации предложенных алгоритмов распознавания сверхбольших выборок изображений в диссертации разработано кросс-платформенное программное обеспечение с применением технологий Java и объектно-ориентированного программирования. Предложенная расширяемая компьютерная модель процесса распознавания позволяет адекватно представить как предложенные в диссертации алгоритмы распознавания изображений, так и традиционные алгоритмы, что упрощает проведение вычислительных экспериментов. Программный комплекс, реализованный на основе архитектуры клиент-сервер, представляет собой web-приложение, позволяющее исполнять алгоритмы распознавания и предоставляющее пользовательский интерфейс для просмотра изображений выборки и анализа и оценки результатов распознавания.

В четвертой главе представлены и проанализированы результаты вычислительных экспериментов, проведенных с целью оценки эффективности разработанных в диссертации алгоритмов распознавания изображений, а также сформулированы направления дальнейших исследований. В Табл. 1 представлена выборка результатов оценки эф-

Таблица 2. Сводная таблица результатов оценки эффективности кластеризации выборки изображений.

Метод Точность Полнота Fi-мера ¿рте (мс) ¿dust (мс)

Mi 0.721 0.569 0.636 205 25

М2 0.739 0.537 0.623 194 0.5

Мз 0.750 , 0.588 0.659 194 3.5

М4 0.746 0.589 0.658 194 0.5

фективности сопоставления изображений для ряда распространенных методов сопоставления изображений и метода, предложенного в диссертации (метод обозначен как surf-aff), полученные на наборе тестовых данных Inria. Использование разработанного в диссертации алгоритма сопоставления изображений позволяет в среднем на порядок повысить оперативность сопоставления, а также получить повышение значений средней точности сопоставления на 25%. При этом изменение значений средней полноты находится в пределах 4%.

По результатам оценки эффективности сопоставления последовательных видеокадров, полученных системой технического зрения мобильного робота в ходе натурных экспериментов по автономной навигации, установлено сокращение общего времени обработки кадра в 4.4 раза. При этом среднее число последовательных кадров, в которых происходит повторное распознавание выросло на 8%, что говорит о повышении надежности распознавания. Средняя доля ошибок распознавания сократилась на 20%.

Выше приведена Табл. 2, в которой представлены результаты оценки эффективности кластеризации 38 ООО изображений (элементов сверхбольшой выборки объемом более 300 ООО изображений) для метода основанного на модели изображения, не учитывающей свойства объемлющей выборки (Mi) и трех методов, построенных с использованием модели изображения, предложенной в диссертации — метода, в основе которого лежит алгоритм QT (М2); метода, использующего алгоритм Краскала построения минимального остовного дерева (М3), метода, использующего вероятностный алгоритм построения минимального остовного дерева (Mi). Новые методы кластеризации позволяют в пятьдесят раз сократить время обработки изображений в процессе кластеризации (íciust) при том, что значения качественных показателей (точности, полноты и _Р\-меры) изменяются в пределах 5%, а среднее время предобработки изображений (tpTe) не возрастает.

Разработанный метод распознавания сверхбольших выборок изображений создает предпосылки построения новых высокопроизводительных систем обработки и распознавания сверхбольших выборок изображений, а также совершенствования существующих систем.

ОБЩИЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

В диссертационном исследовании решена научная задача сокращения времени распознавания сверхбольших выборок изображений, имеющая существенное значение для информатики. При этом получены следующие -товые научные и практические результаты.

1. Разработаны математические модели выборки изображений и изображения (ябл^ ощегося элементом заданной выборки), в основе которых лежит .соч гание признакового и информационно-теоретического подходов. Ь .¿ачестве модели сверхбольшой выборки обосновано использование системы кластеров, построенной по множеству значений локальных признаков изображений выборки и позволяющей оценить относительную информативность признаков.

Предложена математическая модель изображения, которая характеризует наиболее существенные в рамках выборки признаки изображения. Построение модели выполнено с использованием двух методов: модифицированного метода быстрых устойчивых признаков и метода отбора информативных признаков, разработанного на основе новой модели сверхбольшой выборки. Предложенная модификация метода быстрых устойчивых признаков позволяет обеспечить инвариантность значений признаков относительно аффинных преобразований плоскости изображения. Предложенная модель изображения, в отличие от используемых в настоящее время моделей, основанных исключительно на свойствах единичного изображения, учитывает распределение признаков, оцененное по объемлющей выборке. Это позволяет оценивать относительную значимость признаков изображения и производить отбор наиболее информативных из них.

2. На основе разработанных математических моделей построены усовершенствованные алгоритмы сопоставления изображений, кластеризации выборки изображений, поиска изображений выборки по эталону, в комплексе обеспечивающие решение задачи распознавания сверхбольших выборок изображений. Новые методы, в отличие от известных, обладают вычислительной сложностью, не зависящей от свойств распознаваемых изображений, что позволяет, в среднем на порядок повысить скорость распознавания. Кроме того, отличительной особенностью разработанных методов является обусловленность выбора всех алгоритмов решения подчиненных задач требованиями быстродействия и возможностями распараллеливания вычислительного процесса. Для реализации алгоритмов была разработана объектная модель процесса распознавания и кросс-платформенное программное обеспечение, позволяющее проводить вычислительные эксперименты с использованием как алгоритмов, предложенных в диссертации, так и известных решений.

3. В результате апробации нового метода кластеризации выборки установлено, что разработанный в диссертации метод обеспечивает 50-кратное повышение скорости распознавания по сравнению с известными решениями. При этом изменение точности и полноты кластеризации находится в пределах погрешности измерений. Апробация метода сопоставления изображений (кадров) в задаче распознавания в режиме реального времени показала, что новый метод обеспечивает повышение скорости обработки кадра в 4,4 раза с одновременным сокращением количества ошибок распознавания на 20%.

4. Разработанные модель сверхбольшой выборки изображений, модель изображения, являющегося элементом выборки, и алгоритмы решения задач сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по эталону создают предпосылки построения новых высокопроизводительных систем обработки и распознавания сверхбольших выборок изображений, а также совершенствования существующих систем.

Совершенствование существующих систем может быть выполнено для решения следующих задач: обеспечения независимости сложности вычислений, производимых в режиме реального времени, от характеристик обрабатываемых изображений; установления взаимосвязей между признаками изображений на основе анализа распределения признаков в изображениях объемлющей выборки; ограничения вычислений анализом наиболее существенных признаков изображений.

В качестве направлений дальнейших исследований предложены: создание универсальных методов распознавания образов в условиях сверхбольшого объема выборки; синтез математических методов распознавания образов в условиях сверхбольшого объема выборки и методов конструирования распределенных вычислительных систем обработки информации, в том числе, с целью разработки требований к подобным вычислительным системам.

ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Математические модели сверхбольшой выборки изображений и изображения, являющегося элементом выборки.

2. Модифицированные алгоритмы сопоставления изображений, кла

. стеризации выборки изображений, поиска изображений по эталону.

3. Комплекс программ, эффективно реализующих предложенные алгоритмы распознавания изображений.

4. Результаты апробации алгоритмов распознавания сверхбольших выборок изображений, подтверждающие их эффективность.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях, рекомендуемых ВАК РФ

1. Пименов В. Ю. Оценка метода выявления точечных особенностей изображения в задаче поиска нечетких дубликатов в коллекции изображений // Вестн. С.-Петерб. ун-та. Сер. 10. 2009. Вып. 3. С. 228-239.

Публикации в других изданиях

2. Pimenov V. Fast Image Matching with Visual Attention and SURF Descriptors // Proc. of 19tK Int. Conf. on Computer Graphics and Vision, GraphiCon'2009. Moscow, Russia, 2009. - P. 49-56.

3. Pimenov V. Emerging Attention: A Reward Based Model // Proc. of 9th Int. Conf. on Epigenetic Robotics, Venice, Italy. Lund University Cognitive Studies. 2009. P. 233-234.

4. Пименов В. Ю. Методика повышения быстродействия и точности самолокализации автономного мобильного робота на основе зрительного внимания // Адаптивные и интеллектуальные роботы (АИР-2009) // Материалы молодежной школы-семинара. Таганрог: Изд-во ТТИ ЮФУ, 2009. С. 107-109.

5. Пименов В. Ю. Вычислительно-эффективный метод поиска нечетких дубликатов в коллекции изображений // Труды семинара РОМИП 2009. СПб.: НУ ЦСИ, 2009. С. 89-107.

6. Пименов В. Ю. Метод поиска нечетких дубликатов изображений на основе выявления точечных особенностей // Труды семинара РОМИП 2007-2008. СПб.: НУ ЦСИ, 2008. С. 145-159.

7. Пименов В. Ю. Моделирование нисходящего внимания в обучающихся системах технического зрения // Процессы управления и устойчивость: Труды 40-й научной конференции аспирантов и студентов / Под ред. Н. В. Смирнова, Г. Ш. Тамасяна. - СПб.: Изд-во Дом С.-Петерб. гос. ун-та, 2009. С. 512-517.

8. Pimenov V. System-theoretic approach to image interest point detection // Computing Research Repository. 2010. Vol. 1003.4021. P. 1-12.

Введение

1 Анализ методов распознавания сверхбольших выборок изображений

1.1 Анализ современного состояния в области распознавания сверхбольших выборок изображений

1.2 Методы сопоставления изображений в контексте сверхбольших выборок

1.3 Способы оценки методов распознавания изображений

1.4 Программное обеспечение распознавания изображений

1.5 Цель и задачи исследования.

2 Синтез метода распознавания изображения

2.1 Модель выборки изображений.

2.2 Модель изображения

2.3 Метод поиска контрольных точек.

2.4 Метод вычисления признакового описания контрольных точек

2.5 Метод оценки информативности признаков

2.6 Выводы.

3 Алгоритмы и программное обеспечение распознавания изображений

3.1 Алгоритмы распознавания изображений.

3.2 Программный комплекс распознавания изображений

3.3 Выводы.

4 Результаты экспериментальной оценки метода распознавания изображений

4.1 Постановка экспериментов.

4.2 Результаты экспериментов

Актуальность темы. Среди прикладных задач обработки информации существенное место занимают задачи, в которых исходная информация представляется в виде изображений [8, 15, 25, 31, 87]. Оснащение автоматизированных систем искусственным зрением является одним из наиболее перспективных направлений развития средств автоматизации [23, 87, 189].

Важнейший класс задач анализа изображений составляют задачи распознавания. Подобные задачи возникают во* многих практических приложениях, среди которых можно выделить: о технологический контроль и> обнаружение неисправностей; о обработка медицинских изображений; о видеонаблюдение и слежение за подвижными объектами; о обработка изображений в системах управления манипуляционных и мобильных робототехнических комплексов; о поиск изображений и по содержанию; о обработка аэрокосмических изображений и цифровая картография; о обработка фотографических изображений.

Проблеме создания систем распознавания изображений посвящено большое число исследований отечественных (Ю.И. Журавлев, В.А. Сойфер, Я.А.Фурман и др.) и зарубежных (У. Прэтт, Р. Гонсалес, Д. Форсайт и др.) ученых.

В последние два десятилетия особую актуальность приобрели задачи распознавания, сложность которых обусловлена необходимостью удовлетворения следующих требований: а) задается обработка сверхбольших (более 105 элементов) выборок изображений. б) проведение обработки изображений должно выполняться в режиме реального времени; в) должна выполняться совместная обработка изображений, полученных различными регистрирующими устройствами;

В результате исследований, направленных на создание систем обработки изображений, удовлетворяющих указанным требованиям, сформировался подход к задачам распознавания, в основе которого лежит переход от функционального представления изображения к представлению изображения в виде набора векторов локальных признаков [20, 81,

117, 118, 126, 175, 203]. При этом для построения модели изображения используются методы поиска контрольных точек1 [3, 31, 118, 126, 145] изображений и инвариантные признаковые представления [105, 106,

118, 133, 175].

Методы, основанные на рассматриваемом подходе, обладают двумя важными достоинствами: о отсутствием ограничений на свойства изображений, что позволяет применять однотипные методы в рамках существенно различных приложений; о возможностью декомпозиции задачи распознавания на задачи поиска контрольных точек, вычисления признаковых представлений этих точек и их сопоставления, что позволяет синтезировать методы распознавания из независимых алгоритмов решения указанных подзадач, а также упрощает их оценку и сравнительный анализ. Исследования последних лет показали, что основным недостатком методов рассматриваемого класса является их вычислительная трудоемкость, измеряемая процессорным временем и объемом потребляемой оперативной памяти, необходимыми для решения задач [17, 76, 133, 175]. Рядом авторов отмечаются трудности, возникающие в задачах распознавания в реальном времени [79, 129] и задачах обработки большого числа изображений [76, 109, 133].

При этом одним из индикаторов возможности решения задачи повышения быстродействия процесса распознавания изображений, является появление необходимых по производительности аппаратных решений [33, 50, 54, 60, 71, 165].

Контрольными точками называют точки экстремума дифференциальных операторов, определяемых функциональной моделью изображения.

Потребность в высокопроизводительных методах сопоставления изображений обусловлена также тенденцией к «интеллектуализации» робототехники и средств автоматизации производства [87, 104, 134, 150, 161]. Не менее важную роль здесь играет возрастание объема и разнообразия визуальной информации, связанное с развитием микроэлектроники и средств передачи информации. В отчете, опубликованном корпорацией International Data Corporation2 в 2009 году, указывается, что прирост числа хранимых цифровых изображений составляет 24% в год. К концу 2010 года общее количество изображений, полученных с помощью мобильных устройств, по данным Infotrends3 на 2006 год составит 228 миллиардов. По прогнозу корпорации Ericsson4 на 2008 год средний размер изображений, получаемых серийными фотокамерами и мобильными устройствами, к 2012'году составит 5000 х 4000 пикселов.

Указанные тенденции подчеркивают важность разработки эффективных программных и аппаратных средств автоматического распознавания сверхбольших выборок изображений.

Анализ современных методов распознавания изображений^ на основе сопоставления контрольных точек позволяет сформулировать две основные причины их высокой вычислительной сложности: о задачи поиска контрольных точек, вычисления их признаковых представлений и их сопоставления решаются изолировано от анализа свойств объемлющей выборки изображений, что приводит к неоправданной избыточности наборов признаков изображений; о применяемые методы сопоставления признаков оказываются не достаточно эффективными в задачах обработки сверхбольших выборок изображений.

В связи с изложенным возникает задача разработки таких математических методов распознавания изображений, на основе которых могут быть реализованы относительно простые вычислительные алгоритмы, обеспечивающие требуемые высокую скорость и качество распознавания в задачах большой размерности.

2http://www.idc.com

3http://www.infotrends-rgi.com/home/Press/itPress/2006/1.18.2006.html

4http://techon.nikkeibp.со.jp/english/NEWSEN/20081107/160903/

Научная задача, решаемая в исследовании, состоит в сокращении времени распознавания сверхбольших выборок изображений.

Целью исследования является разработка метода распознавания изображений на основе математического моделирования свойств изображения, являющегося элементом сверхбольшой выборки. Задачи исследования.

1. Создание математической модели сверхбольшой выборки изображений.

2. Создание математической модели изображения, являющегося элементом сверхбольшой выборки.

3. Создание метода распознавания- сверхбольших выборок изображений на основе разработанных моделей.

4. Разработка программного обеспечения распознавания изображений, реализующего предложенный метод.

5. Экспериментальный анализ эффективности использования предложенного метода распознавания изображений.

Объект исследования. Оптико-электронные системы обработки изображений, предназначенные для решения задач распознавания сверхбольших выборок изображений.

Предмет исследования. Математическое и программное обеспечение систем распознавания изображений на основе сопоставления контрольных точек: математические модели изображения; методы поиска контрольных точек изображения; методы вычисления признаковые описаний контрольных точек.

Методы исследования. Методы системного анализа, математического моделирования, обработки изображений, распознавания образов, теории графов, комбинаторного анализа, информационного поиска. Научная новизна.

1. Разработана математическая модель сверхбольшой выборки изображений, в соответствии с которой выборка моделируется множеством кластеров значений локальных признаков, вычисленных для изображений, входящих в выборку.

2. Синтезирована математическая модель изображения, в соответствии с которой изображение представляется набором локальных признаков, наиболее информативных для заданной выборки.

3. Разработаны алгоритмы сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по эталону, вычислительная сложность которых не зависит от свойств изображений.

4. Модифицирован метод быстрых устойчивых признаков^ применяемый для вычисления значений локальных признаков: метод дополнен процедурой, обеспечивающей инвариантность значений признаков относительно аффинных преобразований плоскости изображения.

Практическая значимость исследования.

1. Использование разработанной модели изображения позволяет синтезировать методы распознавания изображений, вычислительная сложность которых не зависит от свойств изображений.

2. Разработанный метод кластеризации выборки изображений обеспечивает 50-кратное повышение скорости распознавания изображений сверхбольших выборок при изменении показателей точности и полноты кластеризации в пределах 5%.

3'. В результате использования нового метода сопоставления изображений в системе технического зрения мобильного робота, осуществляющего автономную навигацию в неизвестной заранее среде, достигается сокращение ошибок распознавания на 20% при одновременном повышении средней скорости обработки кадра- в 4.4 раза.

Личный< вклад-автора. Все результаты диссертационного исследования получены автором лично.

Апробация результатов исследования. Основные результаты диссертации были представлены на следующих научно-технических конференциях и семинарах: 19th International Conference On Computer Graphics and Vision, GraphiCon (Москва, 2009); 9th International Conference on Epigenetic Robotics (Venice, Italy, 2009); «Актуальные проблемы, информационно-компьютерных технологий, мехатроники и робототехники» в рамках конференции «Экстремальная Робототехника 2009» и школы-семинара «Адаптивные и интеллектуальные роботы» (пос. Дивноморское, Геленджик, 2009); на Российском Семинаре по Оценке Методов Информационного Поиска РОМИП (Дубна, 2008; Петрозаводск, 2009); на научной конференции факультета ПМ-ПУ СПбГУ (Санкт-Петербург, 2009 гг.); в 2007-2010 гг. на семинарах кафедры компьютерного моделирования и многопроцессорных систем и кафедры технологии программирования факультета ПМ-ПУ СПбГУ, на семинаре «Нейроинформатика» математико-механического факультета СПбГУ, на семинаре Центрального научно-исследовательского и опытно-конструкторского института робототехники и технической кибернетики, на семинаре «Искусственный интеллект: от методологии к инновациям» Санкт-Петербургского государственного университета информационных технологий, механики и оптики.

Публикации. Материалы диссертации опубликованы в 8 статьях, из которых одна в журнале, входящем в список ВАК ведущих рецензируемых изданий.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, общих выводов, списка литературы из 203 наименований. Работа изложена на 110 страницах машинописного текста, содержит 11 рисунков, 4 таблицы-и одно приложение. В первой главе проведен критический анализ современных методов распознавания сверхбольших выборок изображений, сформулированы цель и задачи исследования. Во второй главе разработана модель сверхбольшой выборки изображений, синтезирована модель изображения, являющегося элементом сверхбольшой выборки. В третьей главе разработаны усовершенствованные алгоритмы сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по содержанию, охарактеризовано программное обеспечение распознавания изображений, созданное в рамках исследования. В четвертой главе представлены и проанализированы результаты апробации алгоритмов распознавания сверхбольших выборок изображений. В заключении сформулированы, общие выводы, рекомендации и основные результаты, выносимые на защиту.

Основные результаты, выносимые на защиту.

1. Математические модели сверхбольшой выборки изображений и изображения, являющегося элементом выборки.

2. Модифицированные алгоритмы сопоставления изображений, кластеризации выборки изображений, поиска изображений по эталону.

3. Комплекс программ, эффективно реализующих предложенные алгоритмы распознавания изображений.

4. Результаты апробации алгоритмов распознавания сверхбольших выборок изображений, подтверждающие их эффективность.

Заключение

В диссертационном исследовании решена научная задача сокращения времени распознавания сверхбольших выборок изображений, имеющая существенное значение для информатики. При этом получены следующие новые научные и практические результаты.

1. Разработаны математические модели сверхбольшой выборки изображений и изображения (являющегося элементом заданной выборки), в основе которых лежит сочетание признакового и информационно-теоретического подходов. В качестве модели сверхбольшой выборки обосновано использование системы кластеров, построенной по множеству значений локальных признаков изображений выборки, и обладающей устойчивостью при значительном увеличении объема выборки.

Предложена математическая модель изображения, которая характеризует наиболее существенные в рамках выборки признаки изображения. Построение модели выполнено с использованием двух методов: модифицированного метода быстрых устойчивых признаков и метода отбора информативных признаков, разработанного на основе новой модели сверхбольшой выборки. Предложенная модификация метода быстрых устойчивых признаков позволяет обеспечить инвариантность значений признаков относительно аффинных преобразований плоскости изображения. Предложенная модель изображения, в отличие от используемых в настоящее время моделей, основанных исключительно на свойствах единичного изображения, учитывает распределение признаков, оцененное по объемлющей выборке. Это позволяет оценивать относительную значимость признаков изображения и производить отбор наиболее информативных из них.

2. На основе разработанных математических моделей построены усовершенствованные алгоритмы сопоставления изображений, кластеризации выборки изображений, поиска изображений выборки по эталону, в комплексе обеспечивающие решение задачи распознавания сверхбольших выборок изображений. Новые методы, в отличие от известных, обладают вычислительной сложностью, не зависящей от свойств распознаваемых изображений, что позволяет, в среднем на порядок повысить скорость распознавания. Кроме того, отличительной особенностью разработанных методов является обусловленность выбора всех алгоритмов решения подчиненных задач требованиями быстродействия и возможностями распараллеливания вычислительного процесса. Для реализации алгоритмов была разработана объектная модель процесса распознавания и кросс-платформенное программное обеспечение, позволяющее проводить вычислительные эксперименты с использованием как алгоритмов, предложенных в диссертации, так и известных решений.

3. В результате апробации нового метода кластеризации выборки установлено, что разработанный в диссертации метод обеспечивает 50-кратное повышение скорости распознавания по сравнению с известными решениями. При этом изменение точности и полноты кластеризации находится в пределах погрешности измерений.

Апробация метода сопоставления изображений (кадров) в задаче распознавания в режиме реального времени показала, что новый метод обеспечивает повышение скорости обработки кадра в 4,4 раза с одновременным сокращением количества ошибок распознавания на 20%.

4. Разработанные модель сверхбольшой выборки изображений, модель изображения, являющегося элементом выборки, и алгоритмы решения задач сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по эталону создают предпосылки построения новых высокопроизводительных систем обработки и распознавания сверхбольших выборок изображений, а также совершенствования существующих систем.

Совершенствование существующих систем может быть выполнено для решения следующих задач: обеспечения независимости сложности вычислений, производимых в режиме реального времени, от характеристик обрабатываемых изображений; установления взаимосвязей между признаками изображений на основе анализа распределения признаков в изображениях объемлющей выборки; ограничения вычислений анализом наиболее существенных признаков изображений.

В качестве направлений дальнейших исследований предложены: создание универсальных методов распознавания образов в условиях сверхбольшого объема выборки; синтез математических методов распознавания образов в условиях сверхбольшого объема выборки и методов конструирования распределенных вычислительных систем обработки информации, в том числе, с целью разработки требований к подобным вычислительным системам.

1. Абду И. Э., Прэтт У. К. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением // ТИИЭР. — 1979. — Т. 67, № 5.- С. 69-70.

2. Аверкин А. И., Потапов А. С., Луцив В. Р. Построение систем локальных инвариантных признаков изображения на основе преобразования Фурье—Меллина // Оптический Журнал. — 2010. — Т. 77, № 01. С. 36-41.

3. Анисимов Б. В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений. — М.: Высшая школа, 1983.

4. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. — М.: Наука, 1974. С. 416.

5. Васильев В. Г. Гистограммные методы обработки изображений. — Издательство ТГТУ, 2002.

6. Васильева Н. С. Методы поиска изображений по содержанию // Программирование. — 2009. — Т. 35, № 3. — С. 1-30.

7. Волегов Д. Б., Юрин Д. В. Предварительное грубое совмещение изображений по найденным на них прямым линиям для построения мозаик, сверхразрешения и восстановления трехмерных сцен // Программирование. — 2008. — Т. 34, № 5. — С. 47-66.

8. Журавлев Ю. И., Гуревич И. Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение. — 1989. — Т. 2. — С. 5-72.

9. Измалов Ч. А., Соколов Е. Н., Черноризов А. М. Психофизиология цветового зрения. — М.: Изд-во МГУ, 1989.

10. Казаковым. Д. Многомасштабный подход к определению контуров объектов на цифровых изображениях // Организационное управление и искуственный интеллект, Труды Института Системного Анализа РАН. 2003. - С. 228-238.

11. Костюк А. И., Каляев В. А., Каляев 3. В. Изоморфная вероятностная идентификация изображений // Искусственный интеллект.- 2003. Т. 4. - С. 216-222.

12. Крешихин Д. Н. Поиск изображений по визуалному подобию на основе цветовой модели HSV // Труды семинара РОМИП 2009. — 2009. С. 83-88.

13. Кураленок И.Е., Некрестьянов И. С. Оценка систем текстового поиска // Программирование. — 2002. — Т. 4. — С. 226-242.

14. Наатанен Р. Внимание и функции мозга. — М.: Изд-во МГУ, 1998.

15. Павлидис Т. Алгоритмы машинной графики и обработки изображений. — М.: Радио и Связь, 1986.

16. Пименов В. Ю. Метод поиска нечетких дубликатов изображений на основе выявления точечных особенностей // Труды семинара РОМИП 2007-2008. 2008. - С. 145-159.

17. Пименов В. Ю. Вычислительно-эффективный метод поиска нечетких дубликатов в коллекции изображений // Труды семинара РОМИП 2009. 2009: - С. 89-107.

18. Пименов В. Ю. Оценка метода выявления точечных особенностей изображения в задаче поиска- нечетких дубликатов в коллекции изображений // Вестн. С.-Петерб. ун-та. Сер. 10. — 2009: — С. 228-239.

19. Писаревский А. Н. Системы технического зрения: (Принципиальт ные основы, аппаратное и математическое обеспечение). — «П.: Машиностроение,. 1988.

20. Половко С. А., Смирнова Е. Ю., Степанов Д. Н: Интеллектуальные системы технического зрения для безопасности и навигации // Мехатроника, автоматизация, управление. — 2009: — № 3. — С. 33-39.

21. Потапов А. С. Распознавание образов и машинное восприятие. — СПб.: Политехника, 2007.

22. Прикладная статистика: классификация и снижение размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Мешалкин Л. Д.- М.: Финансы и статистика, 1989.

23. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике. — М.: Машиностроение, 1990.

24. Российский семинар по оценке методов информационного поиска. Труды семинара РОМИП 2009 / Под ред. И. С. Некрестьянов. — СПб.: НУ ЦСИ, 2009.

25. Тимофеев А. В., Кай 3., Хе X. Навигация и управление движением в неизвестной среде // Гироскопия и навигация. — 2004. — Т. 3.- С. 13-24.

26. Тищенко А. С., Михайлов Б. Б. Навигация мобильного робота на основе бортовой системы технического зрения // Мехатпроника, автоматизация, управление. — 2009. — № 12. — С. 44-50.

27. Трейсман Э. Объекты и их свойства в зрительном восприятии человека // В мире науки. — 1987. — Т. 1. — С. 68-78.

28. Ту Дж., Гонсалес Р. Принципы распознавания образов. — М.: Москва, 1978. — С. 411.

29. Файн В. С. Опознавание изображений (основы непрерывно-групповой теории и ее приложения). — Наука, 1970.

30. Фурман Я. Введение в контурный анализ: приложения к обработке изображений и сигналов. — ФМЛ, 2003.

31. An 81.6 GOPS Object Recognition Processor Based on NoC and Visual Image Processing Memory / D-. Kim, K. Kim, J.-Y. Kim et al. // Proceedings oflEEE Custom Integrated Circuits Conf. — 2007. — P. 443-446.

32. Abdelsayed S., Ionescu D:, Goodenough D. Matching and registration method for remote sensing images // International Geoscience and Remote Sensing Symposium. — 1995. — P. 1029-1031.

33. Alhichri H. S., Kamel M. Virtual circles: a new set of features for fast image registration // Pattern Recognition Letters. — 2003. — Vol. 24. P. 1181-1190.

34. Anatomical-functional correlation using and adjustable MRI-based region of interest atlas with positron emission tomography / A. C. Evans, C. Beil, S. Marret et al. // J. of Cerebral Blood Flow and Metabolism. 1988. - Vol. 8. - P. 513-530:

35. Andoni A., Indyk P. Near-Optimal Hashing Algorithms for Approximate Nearest Neighbor in High Dimensions // Communications of the ACM. 2008. - Vol. 51, no. 1. - P. 117-122.

36. Anuta P. E. Spatial Registration of Multispectral and Multitemporal Digital Imagery Using Fast Fourier Transform Techniques // IEEE Transactions on Geoscience Electronics. — 1970. — Vol. 8, no. 4". — P. 353-368.

37. Arca-Santana E. R., Alba A. Image registration using Markov random coefficient and geometric transformation fields // Pattern Recognition.- 2009. Vol. 42, no. 8. - P. 1660-1671.'

38. An Attention-Driven Model for Grouping Similar Images with Image Retrieval Applications / O. Marques, L. M. Mayron, G. B. Borba, H. R. Gamba // EURASIP J. of Applied Signal Processing. 2007.- Vol. 2007, no. 1. P. 116-116.

39. Automatic selection of control points from shading structures / P. A. Brivio, A. Dr Ventura, A. Rampini, R. Schettini // Int. J. of Remote Sensing. 1992. - Vol. 13. - P. 1853-1869.

40. Awrangjeb M., Lu G. An improved curvature scale-space corner detector and a robust corner matching technique for transformed image identification // IEEE Trans. Image Process. — 2008. — Vol. 17, no. 12. P. 2425-2441.

41. Baker S. Design and evaluation of feature detectors: Ph.D. thesis / Columbia University. — 1998.

42. Banerjee S., Mukherjee D. P., Majumdar D. D. Point landmarks for registration of CT and NMR images II Pattern Recognition Letters.- 1995. Vol. 16. - P. 1033-1042.

43. Barnea D. I., Silverman H. F. A class of algorithms for fast digital image registration 11 IEEE Trans, on Computing. — Ю72. — Vol. 21.- P. 179-186.

44. Beck K. Test-Driven Development: By Example. — Addison-Wesley, 2003.

45. Blaser A. Database Techniques for Pictorial Applications. — Springer, 1979.

46. Bonato V., Marques E., Constantinides G. A. A Parallel Hardware Architecture for Image Feature Detection // Reconfigurable Computing: Architectures, Tools and Applications / Ed. by R. et. al. Woods.- Springer, Heidelberg, 2008.

47. Brown L. G. A survey of image registration techniques // AGM Computing Surveys. — 1992. — Vol. 24. P. 326-376.

48. Bruce N. D. В., Tsotsos J. K. Spatiotemporal Saliency: Towards a Hierarchical Representation of Visual Saliency // 5th Int. Workshop on Attention in Cognitive Systems. 2008. - P. 98-111.

49. Bruce N. D. В., Tsotsos J. K. Saliency, Attention, and Visual Search: An Information Theoretic Approach // Journal of Vision. — 2009. — Vol. 9, no. 3. P: 1-24.

50. Cabani C., MacLean W. J. A Proposed Pipelined-Architecture for FPGA-Based Affine-Invariant Feature Detectors // IEEE Conference on Computer Vision and Pattern Recognition Workshops. — 2006. — P. 121.

51. Chan Т., Shen J., Vese L. Variational PDE Methods in Image Processing I/ Notices of AMS. — 2003. Vol. 50, no. 1. - P. 14-26.

52. Cleverdon C. The Cranfield tests on index language devices // Proc. of Aslib. 1967. - Vol. 19. - P. 173-192.

53. A Comparison of Affine Region Detectors / K. Mikolajczyk, T. Tuyte-laars, C. Schmid et al. // Internation Journal of Computer Vision. — 2005. Vol. 65, no. 1-2. - P. 43-72.

54. A Comparison on Histogram Based Image Matching Methods / W. Jia, H. Zhang, X. He, Q. Wu // 2006 IEEE Intern. Conf. on Advanced Video and Signal Based Surveillance. — 2006. — P. 97.

55. Content-based image retrieval at the end of the early years / A. Smeulders, M. Worring, S. Santini et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. — Vol. 22, no. 12. P. 1349-1380.

56. Cornells N., Van Gool L., Leuven K. U. Fast scale invariant feature detection and matching on programmable graphics hardware // IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2008. - P. 1-8.

57. Dai X., Khorram S. Development of a feature-based approach to automated image registration for multitemporal and multisensor remotely sensed imagery // International Geoscience and Remote Sensing Symposium. 1997. - P. 243-245.

58. De Castro E., Morandi C. Registration of translated and rotated images using finite Fourier transforms // IEEE Trans, on Pattern Recognition and Machine Analysis. — 1987. — Vol. 9. — P. 700-703.

59. Droske M., Ring W., Rumpf M. Mum ford-Shah Based Registration: a comparison of a level set and a phase field approach // Computing and Visualization in Science. — 2009. — Vol. 12. — P. 101-114.

60. Eastman R.D., Le Moigne J., Netanyahu N.S. Research issues in image registration for remote sensing // CVPR Workshop on Image Registration and Fusion. — 2007. — P. 1-8.

61. Endres D. N., Schindelin J. E. A new metric for probability distributions // IEEE Trans, on Information Theory. — 2003. — Vol. 49, no. 7. P. 1858-1860.

62. Evans Christopher. Notes on the OpenSURF Library: Tech. Rep. CSTR-09-001: University of Bristol, 2009. http://www.cs.bris. ac.uk/Publications/Papers/2000970.pdf.

63. A fast algorithm for image registration without predetermining correspondence / J. W. Hsieh, H. Y. M. Liao, К. C. Fan, M. Т. Ко // Proceedings oflnt. Conf. on Pattern Recognition. — 1996. — P. 765-769.

64. Feature Tracking and Matching in Video Using Programmable Graphics Hardware / S. N. Sinha, J.-M. Frahm, M. Pollefeys, Y. Gene // Machine Vision and Applications. — 2007.

65. Ferdman Y., Sagiv C., Sochen N. Full Affine Wavelets Are Scale-Space with a Twist // Scale Space and Variational Methods in Computer Vision. 2007. - P. 1-12.

66. Ferruz J., Ollero A. Real-Time Feature Matching in Image Sequences for Non-Structured Environments. Applications to Vehicle Guidance 11 J. of Intelligent and Robotics Systems. — 2000. — Vol. 28, no. 1-2. P. 85-123.

67. Fischer В., Modersitzki I. Image Fusion and Registration a Variational Approach // Computational Science and High Performance Computing II. - Springer, 2008. - P. 193-203.

68. Florack L. M. I. Image Strucure. — Springer, 1997.

69. Flusser IZi'tova B. Combined invariants to linear filtering and rotation // International Journal of Pattern Recognition and Artificial Intelligence. 1999: - Vol. 13. - P. 1123-1136.

70. Flusser J.} Zitova ВSuk T. Moments and Moment Invariants in Pattern Recognition. — John Wiley & Sons, 2009.

71. Foo J. J., Sinha R. Pruning SIFT for Scalable Near-Duplicate Image Matching // ADC '07: Proceedings ofthe 18th Conf. on Australasian Database. 2007. - P. 63-71.

72. Fox P: Т., Perlmutter J. S., Raichle M. E. Stereotactic method of anatomical localization for positron emission tomography // /. of Computer Assisted Tomography. — 1985. — Vol. 9. — P. 141-153.

73. Gilles S. Robust Description and Matching of Images: Ph.D: thesis / University of Oxford. 1998.

74. Goshtasby A. 2-D and 3-D Image Registration for Medical, Remote Sensing and Industrial Applications. — John Wiley and Sons, 2005.

75. Goshtasby A., Stockman G. С., V. Page C. A region-based approach to digital image registration with subpixel accuracy // IEEE Transactions on Geoscience and Remote Sensing. — 1986. — Vol. 24. — P. 390-399.

76. Govindu V.j Shekhar C., Chellapa R. Using geometric properties for correspondence-less image alignment // Proceedings oflnternational Conference on Pattern Recognition. — 1998. — P. 37-41.

77. Griffin P. M., Alexopoulos C. Point pattern matching using centroid bounding // IEEE Transactions on Systems, Man and Cybernetics. — 1989. Vol. 19. - P. 1274-1276.

78. Grygorash 0., Zhou Y, Jorgensen Z. Minimum Spanning Tree Based Clustering Algorithms // 18th IEEE Int. Conf. on Tools with Artificial• Intelligence. 2006. - P. 73-81.

79. Halevy A., Norvig P., Pereira F. The Unreasonable Effectiveness of Data // IEEE Intelligent Systems. 2009. - Vol. 24, no. 2. -P. 8-12.

80. Handbook of Computer Vision and Applications / Ed. bv B. Jahne, P. Geissler, H. Haussecker. — San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1999.

81. Hardware/Software Co-design of a Key Point Detector on FPGA / H.D. Chati, F. Muhlbauer, T. Braun et al. // Proceedings oflntern. Symposium on Field-Programmable Custom Computing Machines. — 2007. P. 355-356.

82. Harris C., Stephens M. A combined corner and edge detector // Proceedings of4th Alvey Vision Conference. — 1988. — P. 147-151.

83. Hays J. Large scale scene matching for graphics and vision: Ph.D. thesis / Carnegie Mellon University. — Pittsburgh, PA, USA, 2009:

84. Hays JEfros A. Scene completion using millions of photographs // Communications of ACM. — 2008. Vol. 51, no. 10. — P. 87-94.

85. Head fixation device for reproducible position alignment in transmission CT and positron emission tomography / M. Bergstrom, J. Boethius, L. Eriksson et al. // Journal of Computer Assisted Tomography. 1981. - Vol. 5, no. 1. - P. 136-141.

86. Holm M. Towards automatic rectification of satellite images using feature based matching // International Geoscience and Remote Sensing Symposium. 1991. - P. 2439-2442.

87. Hsieh Y. C., McKeown D. M., Perlant F. P. Performance evaluation of scene registration and stereo matching for cartographic feature extraction // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1992. - Vol. 14. - P. 214-237.

88. Ни M. K. Visual pattern recognition by moment invariants 11 IRE Transactions on Information Theory. — 1962. — Vol. 8. — P. 179-187.

89. Huttenlocher D. P., Klanderman G. A., Rucklidge W. J. Comparing images using the Hausdorff distance // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1993. — Vol. 15. — P. 850-863.

90. Iijima T. Basic theory on normalization of a pattern // Bulletin of Electrical Lab. 1962. - Vol. 26. - P. 368-388. — In Japanese.

91. Image change detection algorithms: a systematic survey / R. J. Radke, S. Andra, O. Al-Kofahi, B. Roysam // IEEE Trans, on Image Processing. 2005. - Vol. 14, no. 3. - P. 294-307.

92. Image registration using new edge-based approach / J. W. Hsieh, H. Y. M. Liao, К. C. Fan et al. // Computer Vision and Image Understanding. 1996. - Vol. 67. - P. 765-769.

93. Image Retrieval: Ideas, Influences, and Trends of the New Age / R. Datta, D. Joshi, J. Li, J. Wang // ACM Computing Surveys. — 2008. Vol. 40. - P. 1-60.

94. Jain R. US NSF Workshop Visual Information Management Systems.- NSF, 1992.

95. Jasso H., Triesch J. Learning to Attend — From Bottom-Up to Top-Down // Proceedings oflnternational Workshop on Attention in Cognitive Systems. 2007. - P. 106-122.

96. Jegou H., Douze M.and Schmid C. Recent advance in image search // Emerging Trends in Visual Computing. — Springer, 2009. — P. 305-326.

97. Kara D. Sizing and Seizing the Robotics Opportunity. — 2005. http: //www.robonexus.com/roboticsmarket.htm.

98. Ke Y., Suthanakar R. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors // Comput. Vis. and Pattern Recogn. — 2004. Vol. 2. - P. 506-513.

99. Ke Y., Suthanakar R., Huston L. Efficient Near-Duplicate Detection and Sub-Image Retrieval // Proceedings ofACM Multimedia Conf. — 2004. P. 869-876.

100. Koenderink J. J. The structure of images // Biological Cybernetics. — 1983. Vol. 50. - P. 363-396.

101. Kuglin C. D., Hines D. C. The phase correlation image alignment method Ц Proceedings oflEEE Int. Conf. on Cybernetics and Society.- 1975. P. 163-165.

102. Large Scale Image Copy Detection Evaluation / B. Thomee, M. J. Huiskes, E. Bakker, M. S. Lew // MIR '08: Proceedings oflst ACM intern. Conf. on Multimedia Information Retrieval. — 2008. — P. 59-66.

103. Lee D. J., Krile T. F., Mitra S. Digital registration techniques for sequential fundus images 11 SPIE: Applications of Digital Image Processing. 1987. — P. 293-300.

104. Lehmann Т. M. A two stage algorithm for model-based registration of medical images // Proceedings oflnterantional Conference on Pattern Recognition. — 1998. P. 344-352.

105. Li H., Manjunath B. S., Mitra S. K. A contour-based approach to multisensor image registration // IEEE Trans, on Image Processing.- 1995. Vol. 4. - P. 320-334.

106. Li S. Z., Kittler J., Petrou M. Matching and recognition of road networks from aerial images 11 Proceedings ofSecond European Conference on Computer Vision. — 1992. — P. 857-861.

107. Lillholm M., Nielsen M., Griffin L. D. Feature-Based Image Analysis // Internation Journal of Computer Vision. — 2003. — Vol. 52, no. 2-3. P. 73-95.

108. Lindeberg T. Scale-Space for Discrete Signals // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1990. — Vol. 12, no. 3. P. 234-254.

109. Lindeberg T. Scale-Space Theory in Computer Vision. — Norwell, MA, USA: Kluwer Academic Publishers, 1994.

110. Lindeberg T. Scale-space // Encyclopedia of Computer Science and Engineering / Ed. by B. Wah. — John Wiley and Sons, 2009. — Vol. IV. P. 2495-2504.

111. Lowe D. Distinctive Image Features from Scale-Invariant Keypoints // Intern. J. of Comput. Vis. 2004. - Vol. 60. - P. 91-110.

112. Luo J. A comparison of SIFT, PCA-SIFT and SURF // International Journal of Image Processing. — 2009. — Vol. 3, no. 4. — P. 143-152.

113. Maintz J. B. A., van den Elsen P. A., Viergever M. A. Evaluation of ridge seeking operators for multimodality medical image matching // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1996. Vol. 18. - P. 353-365.

114. Maitre H., Wu Y. Improving dynamic programming to solve image registration // Pattern Recognition. — 1987. — Vol. 20, no. 4. — P. 443-462.

115. Marr D., Hildreth E. Theory of edge detection // Proceedings ofRoyal Society of London. 1980. - P. 187-217.

116. Matas J., Obdrzalek S., Chum O. Local affine frames for wide baseline stereo // Proceedings of 16th Int. Conf. on Pattern Recognition. — 2002. P. 363-366.

117. Mikolajczyk K., Matas J. Improving Descriptors for Fast Tree Matching by Optimal Linear Projection //Proceedings oflEEE Intern. Conf. on Computer Vision. — 2007. — P. 1-8.

118. Mikolajczyk K., Schmid C. An affine invariant interest point detector // Proceedings ofthe 7th Eur. Conf. on Computer Vision. — 2002. P. 128-142.

119. Mikolajczyk K., Schmid C. A Performance Evaluation of Local Descriptors // IEEE Trans. Pattern Anal. Mach. Intell. — 2005. — Vol. 27, no. 10. P. 1615-1630.

120. Modality image registration by maximization of mutual information / F. Maes, A. Collignon, D. Vandermeulen et al. // IEEE Transactions on Medical Imaging. — 1997. — Vol. 16. — P. 187-198.

121. Modersitzki J. Numerical Methods for Image Registration. — Oxford University Press, 2004.

122. MonoSLAM: Real-Time Single Camera SLAM / Andrew J. Davison, Ian D. Reid, Nicholas D. MoTton, Olivier Stasse // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2007. — Vol. 29, no. 6. P. 1052-1067.

123. Moravec H. Obstacle avoidance and navigation in the real world by a seeing robot rover: Ph.D. thesis / Stanford University. — Stanford, С A, USA, 1980.

124. Moss S.j Hancock E. R. Multiple line-template matching with EM algorithm // Pattern Recognition Letters. — 1997. — Vol. 18. — P. 1283-1292.

125. Muja M., Lowe D. Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration // International Conference on Computer Vision Theory and Application VISSAPP'09). — INSTICC Press, 2009. P. 331-340.

126. Near-Duplicate Keyframe Identification With Interest Point Matching and Pattern Learning / W. L. Zhao, C. W. Ngo, H. K. Tan, X. Wu // IEEE Transactions on Multimedia. — 200/. — Vol. 5, no. 9. — P. 1037-1048.

127. Negoita M. G., Reusch B. Real World Applications of Computational Intelligence (Studies in Fuzziness and Soft Computing). — Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2005.

128. Ognibene D., Balkenius C., Baldassarre G. A Reinforcement-Learning Model of Top-Down Attention Based on a Potential-Action Map // The Challenge of Anticipation. — Springer-Verlag, Berlin, 2008. — P. 161-184.

129. Oliva A., Torralba A. Modeling the shape of the scene: a holistic representation of the spatial envelope // Internation Journal of Computer Vision. 2001. - Vol. 42, no. 3. - P. 145-175.

130. Olson C. F., Huttenlocher D. Automated target recognition by matching oriented edge pixels // IEEE Transactions on Image Processing.- 1997. Vol. 6, no. 1. - P. 103-113.

131. Pal N. R„ Pal S. K. A review on image segmentation techniques // Pattern Recognition. — 1983. Vol. 26. - P. 1277-1294.

132. Palade V., Bocaniala C. D., Jain L. C. Computational Intelligence in Fault Diagnosis (Advanced Information and Knowledge Processing).

133. Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2006.

134. Parallelization and characterization of SIFT on multi-core systems / H. Feng, E. Li, Y. Chen, Y. Zhang // Proceedings oflEEE Int. Symposium on Workload Characterization. — 2008. — P. 14-23.

135. Parida L., Geider D., Hummel R. Junctions: detection, classification and reconstruction // IEEE Transactions on' Pattern Analysis and Machine Intelligence. — 1998. — Vol. 20, no. 7. — P. 687-698.

136. Pettersson N., Petersson L. Online stereo calibration using FPGAs // Proceedings oflEEE Intelligent Vehicles Symposium. — 2005. — P. 55-60.143.144.145.146.147.148,149,150151152153154155156

137. Pettie S., Ramachandran V. Randomized minimum spanning tree algorithms using exponentially fewer random bits // ACM Transactions on Algorithms. — 2008. — Vol. 4, no. 1.

138. Pimenov V. Emerging Attention: A Reward Based Model // Proceedings ofNinth International Conference on Epigenetic Robotics, Venice, Italy. Lund University Cognitive Studies. 2009. - P. 233-234.

139. Pimenov V. Fast Image Matching with Visual Attention and SURF Descriptors // Proceedings ofl9tn International Conference on Computer Graphics and Vision, GraphiCon'2009. Moscow, Russia. — 2009.- P. 49-56.

140. Pimenov V. System-theoretic approach to image interest point detection // Computing Research Repository. — 2010. — Vol. abs/1003.4021. P. 1-12.

141. Pratt W. K. Correlation Techniques of Image Registration 11 IEEE Transactions on Aerospace and Electronic Systems. — 1974. — Vol. 10, no. 3. P. 353-358.

142. Ranganathan N., Shah M. A scale-space chip // Proceedings of9th International Conference on Pattern Recognition. — Vol. 1. — 1988.- P. 420-424.

143. Registration of stereo and temporal images of the retina / N. Ritter, R. Owens, J. Cooper et al. // IEEE Transactions on Medical Imaging.- 1999. Vol. 18. - P. 404-418.

144. Research ABI. Personal Robotics: The Market for Task, Security, Entertainment, and Educational Robots and Major Components.- 2007. http://www.abiresearch.com/products/market research/ROBO.

145. Roche A., Malandain G., N. Ay ache. Unifying maximum likelihood approaches in medical image registration 11 Int. J. of Imaging Systems and Technology. 2000. - Vol. 11. - P. 71-80.

146. Rohr K. Landmark-Based Image Analysis: Using Geometric and Intensity Models. — Kluwer Academic Publishers, 2001.

147. Rosenfeld A., Kak A. C. Digital Picture Processing. — Academic Press, 1982.

148. Rosenfeld A., Vanderbrug G. J. Coarse-Fine Template Matching // IEEE Transactions on Systems, Man, and Cybernetics. — 1977. — P. 104-107.

149. Roux M. Automatic registration of SPOT images and digitized maps 11 Proceedings oflEEE Int. Conf. on Image Processing. — 1996. — P. 625-628.

150. Rui Y., Huang T. Image retrieval: Current techniques, promising directions and open issues // Journal of Visual Communication and Image Representation. 1999. - Vol. 10. - P. 39-62.

151. Scale and the differential structure of images / L. M. J. Florack, В. M'. ter Haar Romeny, J. J'. Koenderink, M'. A. Viergever // Image and Vision Computing. — 1992. — Vol. 10, no. 6. — P. 376-388.

152. Scaling Object Recognition: Benchmark of Current State of the Art Techniques / M. Aly, P. Welinder, M. Munich, P. Perona // First IEEE Workshop on Emergent Issues in Large Amounts of Visual Data. — 2009. P. 2117-2124.

153. Schmid C. Constructing models for content-based image retrieval // Computer Vision and Pattern Recognition. — 2001. — Vol. 2. — P. 39-45.

154. Schmid C., Mohr R., Bauckhage C. Evaluation of Interest Point Detectors // Internation Journal of Computer Vision. — 2000. — Vol. 37, no. 2. P. 151-172.

155. Schweitzer G. Robotics — Chances and Challenges of a Key Science // 17th International Congress of Mechanical Engineering (COBEM 2003). Sao Paulo, Brasil: 2003. - November.

156. Sester M., Hild H., Fritsch D. Definition of ground control features for image registration using GIS data // Proceedings ofSymposium on Object Recognition and Scene Classification from Multispectral and Multisensor Pixels. 1998. - P. 7.

157. Shi J., Tomasi C. Good Features to Track // Proceedings oflEEE Conf. on Computer Vision and Pattern Recognition. — 1994. — P. 593-600.

158. Shin D., Pollard J. K. nad Muller J. P. Accurate geometric correction of ATSR images // IEEE Transactions on Geoscience and Remote Sensing. 1997. - Vol. 35. - P. 997-1006.

159. Silva L., Bellon O. R. P., Boyer K. L. Robust Range Image Registration Using Genetic Algorithms and the Surface Interpenetration Measure. — World Scientific, 2005.

160. Smith S. M., Brady J. M. SUSAN—a new approach to low level image processing // Internation Journal of Computer Vision. — 1997. — Vol. 23. P. 45-78.

161. Soft computing approaches to fault diagnosis for dynamic systems / J. Calado, J. Korbicz, K. Patan et al. // European Journal of Control. 2001. - Vol. Vol. 7, no. no 2-3. - P. 248-286.

162. Stentiford F. W. M. Attention-Based Similarity // Pattern Recognition. 2007. - Vol. 40, no. 3. - P. 771-783.

163. Stockman G., Kopstein S., Benett S. Matching images-to models for registration and object detection via clustering // IEEE Trans, on Pattern Recognition and Machine Analysis. — 1982. — Vol. 4. — P. 229-241.

164. Studholme C., Hill D. L. G., HawkesD. J. An overlap invariant entropy measure of 3D medical image alignment // Pattern Recognition. —1999. Vol. 32. - P. 71-86.

165. Suk Т., Flusser I. Vertex-based Features for recognition of projectively deformed polygons // Pattern Recognition. — 1996. — Vol. 29. — P. 361-367.

166. Suk Т., Flusser J. Point-based projective invariants 11 Pattern Recognition. 2000. - Vol. 33. - P. 251-261.

167. SURF: Speeded Up Robust Features / H. Bay, A. Ess, T. Tuytelaars, Van Goof L. // Comput. Vis. Image Underst. — 2008. — Vol. 3, no. 110. P. 346-359.

168. Тага A., Suen С. Y. Description of planar shapes using shape matrices // IEEE Transactions on Systems, Man, and Cybernetics. — 1989/- Vol. 19. P. 1281-1289.

169. Terriberry Т. В., French L. M., Helmsen J. GPU Accelerating Speeded-Up Robust Features // Proceedings oflnt. Symp. on 3D Data Processing, Visualization and Transmission. — 2008. — P. 355-362.

170. Thevenaz PI, Unser M. An-efficient mutual information optimizer for multiresolution image registration // Proceedings oflEEE Int. Conf. on Image Processing. — 1998. — P. 833-837.

171. Thomson Comer H., Draper В. A. Interest Point Stability Prediction // Proceedings oflnt. Conf. on Computer Vision Systems. — 2009. — P. 315-324.

172. T0psoe F. Some inequalities for information divergence and related measures of discrimination // IEEE Trans, on Information Theory. — 2000. Vol. 46, no. 4. - P. 1602-1609.

173. Torralba A., Fergus R.t Freeman W. T. 80 million tiny images: a large dataset for non-parametric object and scene recognition IfIEEE Transactions on Pattern Analysis and Machine Intelligence. — 2008. Vol. 30, no. 11. - P. 1958-1970.

174. Torralba A., Fergus RWeiss Y. Small codes and large databases for recognition // IEEE Conf. on Computer Vision and Pattern Recognition. 2008. - P. 1-8.

175. Turcot P., Lowe D. Better matching with fewer features: The selection of useful features in large database recognition problems 11 First IEEE Workshop on Emergent Issues in Large Amounts of Visual Data, — 2009. P. 2109-2116.

176. Tuytelaars Т., Gool L. V. Matching widely separated views based on affinely invariant regions // Internatiori Journal of Computer Vision.- 2004. Vol. 59, no. 1. - P. 61-85.

177. Vanderbrug G. J.} Rosenfeld A. Two-Stage Template Matching // IEEE Transactions on Computers. — 1977. — Vol. 26, no. 4. — P. 384-393.

178. A Variational Framework for Joint Image Registration, Denoising and Edge Detection / J. Han, B. Berkels, M. Rumpf, J. Hornegger // Bildverarbeitung fur die Medizin. 2006. — P. 246-250.

179. Vidal Calleja T. A. Visual Navigation in Unknown Environments: Ph.D. thesis / Universitat Politecnica de Catalunya. — 2007.

180. Viola P., Wells W. M. Alignment by maximization of mutual information // Internation Journal of Computer Vision. — 1997. — Vol. 24.- P. 137-154.

181. Vision Based Modeling and Localization for Planetary Exploration Rovers / S. Se, H. Ng, P. Jasiobedzki, T. Moyung // Proceedings of55th Intern. Astronautical Cong. 2004. — P. 1-11.

182. Vujovic N., Brzakovic Z). Establishing the correspondence between control points in pairs of mammographic images // IEEE Transactions on Image Processing. — 1997. Vol. 6. - P. 1388-1399.

183. Wang W. H., Chen Y. C. Image registration by control points pairing using the invariant properties of line segments // Pattern Recognition Letters. 1997. - Vol. 18. - P. 269-281.

184. Weickert J. Anisotropic Diffusion in Image Processing. — B. G. Teub-ner, 1998.

185. Witkin A. P. Scale-space filtering // Proceedings oflnt. Joint Conf. Artificial Intell. 1983. - P. 1019-1022.

186. Yang Z., Cohen F. S. Image registration and object recognition using affine invariants and convex hulls // IEEE Transactions on Image Processing. 1999. - Vol. 8. - P. 936-946.

187. Zana F., Klein J. C. A multimodal registration algorithm of eye fundus • images using vessels detection and Hough transform // IEEE Transactions on Medical Imaging. — 1999. — Vol. 18. — P. 419-428.

188. Zhang N. Computing Optimised Parallel Speeded-Up Robust Features (P-SURF) on Multi-Core Processors // International Journal of Parallel Programming. — 2010. Vol. 38, no. 2. - P. 138-158.

189. Zheng Q., Chellapa R. A computational vision approach to image registration // IEEE Transactions on Image Processing. — 1993. — Vol. 2. P. 311-325.

190. Zheng Z., Wang H., Teoh E. K. Analysis of gray level corner detection U Pattern Recognition Letters. — 1999. — Vol. 20. — P. 149-162.

191. Zhu Y. M. Volume image registration by cross-entropy optimization // IEEE Transactions on Medical Imaging. — 2002. — Vol. 21. — P. 174-180.

192. Ziou D., Tabbone S. Edge detection techniques: an overview 11 International Journal on Pattern Recognition and Image Analysis. — 1998. Vol. 8, no. 4. - P. 537-559.

193. Zitova В., Flusser J. Image registration methods: a survey // Image and Vision Computing. — 2003. Vol. 21. - P. 977-1000.