автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов

Введение.

Глава 1. Анализ и классификация основных подходов к проблеме обнаружения объектов на изображениях.

1.1 .Предмет дисциплины "машинное зрение".

1.2.0сновные требования к алгоритмам обнаружения.

1.2.1 .Робастность.

1.2.2. Локализация.

1.2.3.Вычислительная реализуемость.

1.3.Обнаружение объектов, заданных эталонными изображениями.

1.3.1.Обнаружение объектов на основе яркостной сегментации и признаковых описаний.

1.3.2.Корреляционное обнаружение.

1.3.3.Морфологический подход Ю.П. Пытьева.

1.4.Обнаружение малоразмерных объектов на изображениях по методу нормализации фона".

1.5.0сновные понятия математической морфологии (по Серра), свойства морфологических операторов.

1.5.1.Морфологические операции на бинарных изображениях.

1.5.2.Расширение морфологических операций на случай полутонового изображения.

1.5.3.Применение морфологических операторов для выделения "черт" и объектов на изображениях.

1.6.Основные понятия преобразования Hough, обобщенное преобразование Hough, свойства НТ и GHT.

1.6.1 .Преобразование Hough.

1.6.2,Обобщенное преобразование Hough (GHT).

1.6.3.Обнаружение "черт" и объектов в пространстве параметров.

Выводы по первой главе.

Глава 2. Исследование различных аспектов классических методов обнаружения.

2.1.Связь между нормированными обычным и морфологическим коэффициентами корреляции.

2.2.Исследование вероятностных характеристик аномальных ошибок обнаружения для корреляционного обнаружителя.

2.3.Анализ свойств метода нормализации фона.

2.3.1.Задача обнаружения малоразмерных объектов.

2.3.2.Результаты моделирования.

2.4.Анализ двумерного поля на наличие характерных черт.

2.4.1.Выделение характерных точек.

2.4.2.Выделение характерных линий.

2.4.3.Выделение характерных областей.

2.4.4.Выделение характерных структур.

2.5.Выводы по второй главе.

Глава 3. Метод обнаружения объектов, основанный на объединении свидетельств и исследование его различных приложений.

3.1 .Постановка задачи.

3.2.Обобщенный подход к детектированию, основанный на анализе свидетельств.

3.3.Способы повышения вычислительной эффективности алгоритмов детектирования и распознавания.

3.2.1 .Аккумулирование свидетельств.

3.3.2.Принцип разделения. Декомпозиция и редукция вектора параметров.

3.3.3.Загрубление модели объекта.

3.3.4.Использование структурных иерархических моделей.

3.4.Обобщенная структура алгоритма детектирования.

3.5. Алгоритмическое обеспечение для устойчивого считывания штрихкодовой информации в условиях помех и искажений.

3.5.1.Постановка задачи, характеристика тестовых изображений.

3.5.2.Анализ возможных методов решения задачи детектирования штриховых кодов на изображении.

3.5.3.Модульный алгоритм обнаружения штриховых кодов.

3.5.3.1.Общая характеристика алгоритма.

3.5.3.2.0писание алгоритма.

3.5.3.3.Особенности модифицированного преобразования Hough. 145 3.5.3.4.Результаты тестирования модульного алгоритма.

3.6.Измерение угловых объектов.

3.6.1.Постановка задачи измерения угла схождения сварных швов

3.6.2.Натуральная параметризация пространства Hough.

3.6.3.Поиск сопряженной пары прямых.

3.6.4.Измерение угла с субпиксельной точностью.

3.7.Выводы по третьей главе.

Глава 4. Разработка методов эффективного стереоотождествления

4.1.Основные проблемы, возникающие при стереоотождествлении.

4.1.1 .Область поиска.

4.1.2.Уникальность эталона.

4.1.3 .Начальные приближения.

4.1.4.Геометрические искажения образов.

4.1.5.Яркостные различия образов.

4.1.6.Ложное отождествление.

4.2.Выбор метода решения задачи стереоотождествления.

4.3. Определение наиболее устойчивых информативных участков изображения путем локального статистического анализа.

4.3.¡.Показатели информативности фрагмента изображения.

4.3.2.Анализ наличия сигнала на фрагменте изображения.

4.4.Корреляционное стереоотождествление с использованием пирамиды стереопар.

4.5.Обобщенная форма корреляционного стереоотождествления.

4.6.Выводы по четвертой главе.

Глава 5. Метод субпиксельной корреляции в задаче высокоточного отояедествления соответствующих точек.

5.1.Анализ существующих методов субпиксельного корреляционного стереотождествления.

5.2.Линеаризация задачи.

5.3.Решение задачи на обобщенные собственные значения.

5.3.1 .Решение методом Холецкого.

5.3.2.Решение методом ортогонализации.

5.4.Решение задачи максимизации корреляционной функции.

5.5.Эквивалентность субпиксельной корреляции и корреляции методом наименьших квадратов.

5.6. Экспериментальное исследование метода субпиксельной корреляции

5.6.3.Временные характеристики.

5.6.3.Описание вычислительного эксперимента.

5.6.3.Сходимость параметров и коэффициента корреляции.

5.6.4.Оценка точности.

5.6.5.Точность отождествления контрольных точек стереопары.

5.7.Метод субпиксельной корреляции с учетом предварительной сегментации изображений.

5.7.1.Использование результата сегментации в модели стереоотождествления

5.7.2.Линеаризация задачи.

5.7.3.Преобразование коэффициента кросс-корреляции.

5.7.4.Преобразование морфологического коэффициента корреляции

5.7.5.Максимизация коэффициента корреляции.

5.8.Применение методов автоматизированной стереообработки изображений космической и авиационной съемки в современных компьютерных технологиях визуализации.

5.9.Выводы по пятой главе.

Глава 6. Метод обнаружения трехмерных объектов, основанный на анализе дифференциальных ортофотоизображений.

6.1.Исследование стереофотограмметрических возможностей метода

6.2.Описание алгоритма обнаружения.

6.3.Выводы по шестой главе.

Глава 7. Разработка алгоритмов обнаружения препятствий в системе управления транспортным средством.

7.1.Постановка задачи, технические требования к системе обнаружения.

7.2.Алгоритм обнаружения продольных линий дорожной разметки. 255 7.2.1 .Общая характеристика алгоритма.

7.2.2.Алгоритм первичного выделения сегментов разметки.

7.2.3. Алгоритм монокулярного обнаружения продольных линий разметки.

7.2.4. Алгоритм стереоотождествления и локализации положения линий разметки.

7.2.5.Алгоритм прослеживания линий разметки.

7.2.6.Алгоритм формирования списка соответствующих сегментов.

7.2.7.Результаты тестирования алгоритма.

7.3.Алгоритмы обнаружения препятствий.

7.3.1 .Логика работы алгоритма обнаружения препятствий.

7.3.2.Предварительные шаги блока обнаружения препятствий.

7.3.3.Построение ортофото.

7.3.4.Построение локальных признаков препятствий.

7.3.5.Корреляционно-признаковое сравнение ортофото.

7.3.6.0бнаружение элементов препятствий.

7.3.7.Работа системы в режиме сопровождения препятствий.

7.4.Примеры работы системы.

7.5.Выводы по седьмой главе.

Глава 8. Создание средств разработки специализированного программного обеспечения для анализа изображений.

8.1.Требования к средствам разработки систем анализа изображений

Программная среда "Р18ой".

8.2.Этапы развития и состав пакета Р18ой;.

8.3.Фреймовая архитектура пакета Р1зой;.

8.4.Результаты применения пакета Р1зой;.

8.5.Выводы по восьмой главе.

Актуальность проблемы. Последние годы увеличилось число практических задач, требующих автоматизации обработки визуальной информации. Цифровой анализ изображений проникает во все большее количество областей применения, таких как интеллектуальные робототехнические комплексы, системы управления движущимися аппаратами, обработка данных дистанционного зондирования, системы промышленного контроля, биомедицинские исследования, новые технологии обработки документов и др. Параллельное развитие вычислительной техники привело к тому, что даже средствами персональной ЭВМ стали возможными как хранение и манипулирование огромными массивами графических данных, например, полномасштабными цифровыми космическими снимками, так и организация быстрого динамического анализа последовательностей изображений. Складывающаяся ситуация приводит к ясному выводу, что наиболее сдерживающим прогресс автоматизации анализа изображений фактором является только недостаточный уровень разработки теории и алгоритмов понимания изображений.

Несколько десятков лет исследований проблемы машинного зрения показали, что задача интерпретации и понимания изображений чрезвычайно сложна и в настоящее время не может быть теоретически решена, а тем более технически реализована даже для многих простых сцен наблюдения. В то же время для построения многочисленных практических приложений эта задача часто может быть редуцирована к гораздо более простой и четко определенной задаче обнаружения или детектирования объектов, удовлетворяющих некоторому модельному описанию. Задачи обнаружения модельных объектов или яркостно-геометрических структур в сцене наблюдения обладают большой теоретической общностью независимо от прикладной области их возникновения.

Эволюция методов обнаружения яркостно-геометрических структур продолжается около двадцати лет по пути от простого к сложному. Наиболее разработанной областью является обнаружение простых структур типа "пятно", "точка", "край", "угол", "линия".

При этом одна из центральных проблем, отличающих область обработки изображений, например от теории обработки сигналов, заключается в разработке методов обнаружения объектов, слабо чувствительных к разнообразным видам изменчивости, характерных только для изображений, таких как различные виды искажений, включая искажения оптических сенсоров, блики, затенения, загораживания, искажения формы, ракурсные искажения, шумовые компоненты. На этом пути были предложены робастные схемы обнаружения более сложных объектов, заданных аналитически и, в частности, обобщенное преобразование Hough, которому посвящены многие сотни публикаций в зарубежной печати, морфологический подход Ю.П.Пытьева, различные виды комбинированных корреляционных алгоритмов и др.

Значительный вклад в разработку методов и алгоритмов обработки изображений и машинного зрения применительно к обсуждаемым задачам обнаружения внесли работы Л.П.Ярославского, В.К.Злобина, В.Л.Лёвшина, Ю.П.Пытьева, Р.Харалика, Е.Дэвиса, Р.Неватиа, Е.Дикманнса, В.Фёрстнера и многие другие. Однако, несмотря на достигнутые результаты, общее состояние проблемы детектирования сложноструктурированных объектов на моноскопических изображениях можно охарактеризовать как неудовлетворительное. Ещё сложнее выглядит задача обнаружения трехмерных структур на стереоскопических изображениях. Здесь только намечаются подходы к более общим постановкам.

Актуальность настоящей работы определяется необходимостью дальнейшего развития новых подходов в разработке методов и алгоритмов машинного зрения и цифровой фотограмметрии - перспективных направлений современной науки, связанной с информационными технологиями, а также тем обстоятельством, что для реализации в вычислительных средах современных систем управления необходимы эффективные алгоритмы решения сложных задач обнаружения объектов практически в реальном масштабе времени.

Цель работы - состоит в создании теоретических положений, а также разработке математических методов и алгоритмов решения задачи детектирования на моно- и стереоскопических изображениях различных структурированных яркостно-геометрических объектов. Практическая цель работы - разработка методологии программно-алгоритмического обеспечения решаемых задач и экспериментальная проверка результатов теоретических исследований в реальных комплексах обработки изображений и перспективных системах управления, использующих оптические сенсоры.

Для достижения цели исследования решаются следующие задачи: анализ существующих методов обнаружения объектов на моно и стереоскопических изображениях, исследования их критических свойств, включая разработку новых модификаций алгоритмов, повышающих их эффективность; обоснование единой модульной структуры алгоритмов инвариантного обнаружения сложных объектов на полутоновых изображениях; создание эффективных по критерию робастность-скорость вычислений специализированных алгоритмов обнаружения и поиска различных яркостно-геометрических структур; разработка теории субпиксельных корреляционных и морфологических методов сопоставления изображений для задач обнаружения трехмерных объектов; разработка и исследования метода дифференциального ортофототрансформирования для детектирования объектов, не принадлежащих заданным поверхностям; создание программных средств для реализации разработанных методов, разработка новых программных комплексов и алгоритмов обработки изображений.

Методы исследования; теоретические на основе методов компьютерного зрения, обработки изображений, цифровой фотограмметрии, математической статистики и теории вероятности, теории сигналов, оптимизации, функционального анализа.

Экспериментальные исследования проводились с использованием методов статистического моделирования на реальных цифровых изображениях, полученных различными видеодатчиками. Достоверность результатов, проведенных исследований подтверждена как программным моделированием, так и значительными объемами натурных испытаний реальных систем.

Научная новизна диссертационной работы состоит в следующем:

1. Приведен многокритериальный сравнительный анализ методов и алгоритмов обнаружения объектов на изображениях, их ограничений и областей их применимости в условиях различных видов изменчивости.

2. Выполнен анализ свойств аномальных ошибок корреляционного обнаружения, объясняющий высокую вероятность ложной локализации обнаруживаемых объектов.

3. Проанализирована связь между обнаружением объектов нормированным корреляционным коэффициентом, применяемым в классических схемах и морфологическим коэффициентом корреляции.

4. Разработана оригинальная схема обнаружения малых объектов, основанная на обобщенном методе нормализации фона и морфологического вычитания.

5. Предложена новая схема обобщенного алгоритма обнаружения яркостно-геометрических структур на изображениях, реализующих технику объединения свидетельств.

6. На базе метода объединения свидетельств предложены новые методы обнаружения различных объектов по схеме голосования, базирующиеся на анализе вторичных признаков аккумуляторного пространства Hough.

7. Разработан новый критерий информативности изображений для решения задачи их стереоотождествления, базирующийся на статистическом анализе свойств сигнальной и шумовой компонент.

8. Разработаны теоретические основы субпиксельного корреляционного обнаружения в случае двухракурсного наблюдения. В случае использования аффинной модели деформаций отождествляемых образов доказана теорема о явном виде решения обобщенной задачи на собственные значения для векторов, являющихся поправками правильного совмещения.

9. Разработаны новые методы обнаружения трехмерных объектов в сцене наблюдения, в частности, метод дифференциального ортофототрансформирования для обнаружения объектов не принадлежащих заданной поверхности.

10.Разработан новый подход к конструированию программных комплексов обработки изображений, основанный на фреймовой структуре.

На защиту выносятся:

1. Методы улучшения классических схем корреляционного обнаружения и обнаружения по методу нормализации фона за счет применения алгоритмов морфологического анализа изображений.

2. Метод обнаружения объектов, основанный на объединении свидетельств, и разработанные на его основе обобщения схемы голосования Hough, позволяющие строить робастные и эффективные в вычислительном отношении алгоритмы обнаружения на изображениях объектов, описываемых различными яркостно-геометрическими моделями.

3. Теория и алгоритмы субпиксельного стереоотождествления изображений и их практические приложения в задачах анализа трехмерных сцен.

4. Метод дифференциального ортотрансформирования, позволяющий эффективно обнаруживать на стереоизображениях трехмерных сцен объекты, не принадлежащие заданной поверхности, и его практические применения в задачах обнаружения препятствий на пути движения технических средств.

5. Принципы конструирования программных комплексов обработки и анализа изображений с использованием фреймовых структур.

Практическая ценность. Практическая ценность работы состоит в применении разработанных методов и алгоритмов при решении различных практических задач, в том числе системах управления сложными динамическими объектами, в системах поиска и наблюдения, в производственных системах технического контроля, автоматической обработке документов. Предложенные алгоритмы продемонстрировали надежность в сложных помеховых условиях и обладают возможностью вычислительной реализуемости для систем реального масштаба времени.

Эффективность разработанных методов и алгоритмов подтверждена многочисленной положительной статистикой обработки реальных изображений, полученных различными оптическими системами.

В ходе работы были созданы программно-алгоритмические средства обработки аэрокосмических изображений "Z-space" и другие на базе которых были получены пространственные модели местности в масштабе 1:10000 для более чем 5000 км2 участков земной поверхности.

Построенные модели использовались для отработки современных компьютерных авиационных тренажерных комплексов, базирующихся на технологии виртуальной реальности.

Была разработана также интегрированная среда анализа и обработки изображений для персональных ЭВМ типа IBM PC, которая применялась для конструирования, исследования и моделирования различных схем обработки изображений, алгоритмов обнаружения различных объектов на изображениях.

Было разработано программно-алгоритмическое обеспечение для систем поиска, наблюдения и целеуказания по данным оптической и радиолокационной разведки для обнаружения движущихся объектов; системы обнаружения препятствий на автодорогах в сложной помеховой ситуации; систем обработки машиночитаемых документов и баркодовой символики; систем технического контроля за производственными процессами (сварка, обработка металла и древесины), систем медицинской диагностики различных заболеваний по томографическим и рентгеновским изображениям.

Реализация результатов работы. Полученные теоретические и практические результаты использовались при проведении целого ряда научно-исследовательских и опытно-конструкторских работ, а также при выполнении международных контрактов, в частности:

НИР "Феникс-НТ", "Кадр-С", "Фундамент", "Образ", "Корэкс", "Секира", "Вертел", НИОКР "Репитер" и др. выполнявшихся по заказам Министерства обороны РФ в 1993-2001 г.г.

НИР "Информационные технологии 1996-2001", выполнявшихся по заказам Министерства экономики РФ, Минпромнауки РФ и в соответствии с президентской программой "Национальная технологическая база".

Контрактов № 605018, № 42/10 С фирмой Intermec (США) в 1993-94, 2000-2001 гг., контрактов TG001- TG005 с фирмами Novecon Technologies и Silber Semiconductors (США) в интересах фирм Sumitomo, Toyota Motors (Япония) в 1998-2001 г.г.

Апробация работы. Основные результаты работы докладывались автором на следующих международных конференциях:

- 5-th International Workshop on Digital Processing and Computer Optics "Image Processing and Computer Optics". - г. Самара, 1994;

- ISPRS Intercommission workshop. - г. Цюрих, 1995;

- "Digital photogrammetry and Remote Sensing". - г. С-Петербург, 1995;

- Ill Международной конференции "Методы дистанционного зондирования и ГИС-технологии для контроля и диагностики состояния окружающей среды". - г. Москва. 1996;

- На XVIII конгрессе ISPRS. - г. Вена, 1996;

- Aerospace. Defense Sensing, Simulation, and Controls, г. Орландо, 1997;

- Optical 3D Measurement Techniques. - г. Цюрих, 1997;

- International Workshop on Urban Multi-Media/3D Mapping. Institute of Industrial Science (IIS). - г. Токио, 1998;

- The 8-th International Conference on Computer Graphics and Visualizations. Graphicon'98. - г. Москва, 1998;

- X Юбилейной международной конференции по вычислительной механике и современным прикладным программным системам. - г. Переславль-Залесский, 1999;

- The 9-th International Conference on Computer Graphics, Graphicon'99. -г.Москва, 1999;

- 2nd International Workshop on Urban Multi-Media/3D Mapping. - г. Токио, 1999;

- На XIX конгрессе ISPRS, - г. Амстердам, 2000;

- «Автоматическое выделение искусственных объектов из авиационных и космических изображений». - r.Ascona, 2001; а также на всесоюзных и всероссийских конференциях:

- Всесоюзной конференции "Создание и применение гибридных экспертных систем". - г. Рига, 1990;

- XXXIX Юбилейной Научной Конференции МФТИ "Современные проблемы фундаментальной и прикладной физики и математики". - г. Долгопрудный, 1996;

- II Всероссийского семинара "Лазерно-компьютерные технологии создания деталей сложной формы". - г. Шатура, 1997;

- III конференции РОАИ, - г. Нижний Новгород, 1997;

- конференции "Современное состояние и перспективы развития геодезии, фототопографии, картографии и геоинформационных систем", - г. Москва, 1997;

- конференции "Современное состояние и перспективы развития геодезии, фототопографии, картографии и геоинформационных систем". 220 лет МИИГАиК. - г. Москва, 1999;

- I съезде Научно-практического Общества содействия развитию фотограмметрии и дистанционного зондирования. - г. Москва, 1-2 III 2000.

Публикации. Содержание диссертации опубликовано в более чем сорока статьях и докладах, основные из которых приведены в списке литературы. Практические приложения содержатся в более чем пятидесяти научных-технических отчетах, выполненных под руководством и при непосредственном участии автора.

Содержание. Диссертация состоит из восьми глав. В первой главе приводится классификация и анализ основных подходов к проблеме обнаружения объектов на изображениях. Вводится необходимая терминология, рассматриваются связи предмета исследования со смежными дисциплинами, необходимые требования к разрабатываемым алгоритмам.

Вторая глава посвящена исследованию различных аспектов классических методов обнаружения. Подробно рассмотрена связь между обычным и морфологическим нормированным коэффициентом корреляции. Проанализированы причины частого появления и вероятностные характеристики аномальных ошибок для корреляционного обнаружения. Рассмотрены варианты улучшения свойств метода нормализации фона за счет применения морфологической схемы вычитания, а также приведен анализ характерных черт (точки, линии, области, их комбинации) для их использования при обнаружении сложноструктурированных объектов.

В третьей главе диссертации предложена оригинальная обобщенная схема детектирования объектов, соответствующих некоторой модели, основанной на анализе свидетельств. Рассматривается структура обобщенного алгоритма обнаружения объектов и способов повышения вычислительной эффективности конкретных прикладных алгоритмов. Приводятся примеры практической реализации обобщенного алгоритма обнаружения в схемах голосования, построенных на модификациях преобразования Hough.

Четвертая глава описывает разработанный метод иерархического стереоотождествления для обнаружения трехмерной структуры сцены наблюдения.

В пятой главе излагается теория предельного субпиксельного отождествления точек стереопары для получения максимальной точности трехмерного описания видимой части сцены. Показано использование изложенных методов для построения компьютерных реалистических моделей местности.

В шестой главе исследуется метод обнаружения трехмерных объектов, расположенных на гладкой криволинейной поверхности. Метод основан на редукции 3D задачи обнаружения к обычной задаче обнаружения треугольных яркостно-геометрических структур на специальных разностных изображениях.

Седьмая глава посвящена разработке комплексного подхода к обнаружению объектов-препятствий для системы управления транспортным средством. Разработка опирается на предыдущие алгоритмические исследования.

В восьмой главе приводится описание программно-алгоритмического комплекса для разработки различных алгоритмов обработки изображений, опирающегося ра оригинальную фреймовую архитектуру.

В заключительном разделе сформулированы основные выводы и рекомендации.

Автор хотел бы выразить признательность своим коллегам Ю.В. Визильтеру и A.B. Сибирякову за доброжелательную критику и замечания, а также помощь в получении экспериментального материала. Автор благодарит Т.А. Свердлову за ее неоценимый вклад в окончательное оформление работы.

8.5. Выводы по главе.

1. Разработана оригинальная программная среда «Pisoft» (Professional Imagery SOFTware). Эта система обладает разнообразным инструментарием встроенных средств для исследования и обработки цифровых изображений. Она построена на базе новой, «фрейм-ориентированной» технологии программирования и имеет оригинальный интуитивно понятный пользовательский интерфейс. Многолетний опыт доказывает, что использование пакета Pisoft на различных этапах разработки алгоритмического обеспечения позволяет существенно ускорить цикл разработки системы анализа изображений в целом.

2. Предложена оригинальная «фреймовая» программная архитектура этой среды. Она отличается следующими основными особенностями:

• Базовым элементом программной архитектуры являются программные фреймы - объекты, объединяющие данные, процедуры и линки (связи с другими фреймами). Любая схема обработки в этой архитектуре программа представляется в виде сети фреймов. Ее структура определяется набором фреймов и установленными между ними связями.

• Фреймы принимают и порождают сообщения, которые распространяются по линкам и определяют порядок "запуска" соответствующих процедур обработки данных. Такая структура позволяет организовывать автоматическую обработку данных по мере ее поступления независимо от числа источников информации и степени их временного рассогласования.

• Обеспечивается динамический механизм защиты данных. Любые внешние (для фрейма) данные доступны для чтения и записи только посредством "входных" и "выходных" информационных линков и только тогда, когда фреймы - "хозяева данных" разрешают такой доступ.

• Для полноценного функционирования сети фреймов необходимы три принципиальных типа фреймов: фреймы данных, фреймы обработки и фреймы управления. Конкретный набор типов фреймов данной предметной области полностью определяет функциональные возможности проектируемых программных систем.

• После создания базового набора фреймов, любые схемы обработки данных могут быть сформированы непосредственно путем графического визуального программирования.

3. Фреймовый интерфейс пользователя обеспечивает:

• адаптивную настройку меню системы в зависимости от ее текущего состояния, текущего активного окна и характера выполняемых действий;

• адаптивную настройку режима ввода и вывода интерактивной векторной графической информации (маркеры, линии, кривые, прямоугольники и т.п.) во всех необходимых окнах одновременно;

• удобную проблемно-ориентированную навигацию в многооконном интерфейсе;

• адаптивную настройку системы помощи в зависимости от текущего состояния системы, текущего активного окна и характера выполняемых действий;

4. Фреймовое визуальное программирование предполагает:

• создание требуемого числа экземпляров фреймов данных и размещение их в поле рабочего окна фреймов;

• создание требуемого числа экземпляров фреймов обработки и размещение их в поле рабочего окна фреймов

• настройку связей фреймов обработки с фреймами данных;

5. В ходе работы над системой Pisoft разработано и отлажено следующее специальное программное обеспечение:

• Базовая библиотека поддержки фреймового программирования.

• Среда визуального программирования сетей фреймов.

• Базовый набор фреймов, реализующий платформу обработки визуальной информации.

• Объектно-ориентированная библиотека алгоритмов обработки и анализа изображений.

Заключение

Диссертационная работа посвящена разработке теории, математических моделей, методов и алгоритмов решения задачи обнаружения на моно- и стереоскопических изображениях различных структурированных яркостно-геометрических объектов при обеспечении высокой устойчивости результатов обнаружения к изменчивости как самих объектов, так и фоновой составляющей сцены наблюдения. В ходе исследований получены следующие основные результаты:

1. Проведен обзор и критический анализ существующих подходов к решению задачи обнаружения объектов на изображениях.

2. Проанализированы основные требования к алгоритмам обнаружения, а именно, требования робастности, точной локализации объектов и эффективной вычислительной реализуемости алгоритмов.

3. Рассмотрены способы улучшения классических схем обнаружения за счёт применения методов морфологического анализа, предложенного Ю. П. Пытьевым. Показано, что применение схемы морфологического вычитания позволяет повысить обнаружительные свойства метода "нормализации" фона. Указанный эффект продемонстрирован в задаче обнаружения малоразмерных объектов на ИК-изображениях в присутствии длинномерных температурных перепадов типа "небо-земля".

4. Получено соотношение между нормированными обычным и морфологическим коэффициентами корреляции и найдены условия, при которых эти коэффициенты совпадают. Рассмотрен случай реализации указанных условий в важном случае двухградационных изображений.

5. Показано, что использование классической корреляционной схемы обнаружения может привести к значительному количеству аномальных ошибок, что в свою очередь вызвано кумулятивным эффектом накопления вероятности аномальных ошибок при увеличении площади поиска, приведены количественные оценки данного явления.

6. Проанализированы характеристики различных алгоритмов робастного выделения характерных особенностей (черт) двумерных информационных полей, а именно особых точек, линеаментов, областей и структур, пригодных для организации иерархических корреляционных схем обнаружения фрагментов эталонных изображений в новых видах корреляционно-экстремальных систем, предназначенных для работы в условиях высокой изменчивости входных цифровых полей.

7. Для разработки широкого круга алгоритмов цифрового анализа изображений, обеспечивающих обнаружение сложных объектов, заданных модельными описаниями, устойчивое к яркостно-геометрической изменчивости как самих объектов, так и фоновой составляющей сцены наблюдения, предложен метод обобщённого анализа свидетельств, который имеет следующие отличительные особенности:

- Любой яркостно-геометрической модели объекта, заданной в произвольной форме, ставится в соответствие некоторая экспертная вероятностная модель, описывающая статистические зависимости между различного рода особенностями изображения и гипотезой о принадлежности наблюдаемого объекта данной яркостно-геометрической модели.

- Полученная вероятностная модель используется уже на этапе обнаружения объекта, непосредственно в ходе низкоуровневого анализа конкретного предъявляемого изображения. При этом каждая обнаруженная особенность данного изображения рассматривается как событие, свидетельствующее в пользу гипотезы (ряда гипотез) о наличии и характеристиках искомого объекта.

- Устойчивость детектирования к условиям регистрации обеспечивается за счет соответствующего выбора типа используемых свидетельств, таких, что их связь с оцениваемыми параметрами регистрации не зависит или слабо зависит от значений параметров, которые на этапе обнаружения не оцениваются.

- Вычислительная эффективность метода связана с использованием низкоуровневых событий, регистрация которых не требует значительных вычислительных затрат, а также с тем, что каждое такое событие анализируется не более одного раза в ходе обработки данного изображения, причем число гипотез о характеристиках объекта, зависящих от каждого единичного события, достаточно мало.

8. В рамках метода обобщенного анализа свидетельств предложены способы достижения вычислительной эффективности за счёт эффекта "загрубления модели объекта" с последующей обязательной постпроверкой результатов обнаружения. Получена общая формальная модульная схема разработки алгоритма детектирования:

- Для конкретной задачи детектирования, формально описать модель объекта, модель регистрации и модель искажений;

- Определить возможную степень загрубления модели объекта;

- Определить возможную редукцию (или декомпозицию) вектора параметров регистрации, обеспечивающую необходимую инвариантность детектирования объекта по загрублённой модели;

- Определить типы "событий", вычислительные затраты на регистрацию которых не превышают заданных пределов;

- Составить качественную вероятностную модель, связывающую гипотезу о присутствии на изображении объекта с соответствующими "событиями", по возможности, затрубить эту модель;

- Для полученной вероятностной модели определить соответствующую процедуру голосования для каждого типа используемых "событий";

- Для полученной вероятностной модели определить соответствующую процедуру анализа аккумулятора для каждого типа используемых "событий";

- С учетом использованного загрубления модели объекта, разработать необходимую процедуру постпроверки достоверности детектирования объекта.

9. Разработаны различные практические реализации метода обобщенного анализа свидетельств, базирующиеся на модификациях процедур голосования по методу преобразования Hough. Предложен модульный алгоритм робастного обнаружения штриховых кодов в произвольных изображениях, отличающийся сведением задачи поиска кода к задаче обнаружения вспомогательных интегральных признаков в дифференцированном пространстве Hough. Разработан алгоритм обнаружения и точного измерения угла схождения связных швов, отличающийся оригинальной параметризацией пространства Hough, использующей априорные данные о модели искомого объекта.

10.Для решения задачи обнаружения трехмерных объектов по стереопаре изображений, создана методика субпиксельного корреляционного стерео-отождествления, отличающаяся использованием иерархического подхода с предварительным определением информативных участков стереопары и последующим субпиксельным уточнением.

11 .Разработан новый метод составления информативных участков стереопары, опирающийся на статистический критерий проверки наличия сигнала в шумах. При этом статистические свойства шумовой составляющей предложено определять по оптическому клину реальных снимков.

12.Разработана теория субпиксельной корреляции при использовании афинной модели деформации отождествляемых образов. Доказана теорема об устройстве вектора субпиксельных поправок локализации, как собственного вектора обобщенной задачи на собственные значения. Доказано, что по форме полученного решения метод субпиксельной корреляции эквивалентен методу наименьших квадратов, однако предложенные модификации метода имеют более эффективную вычислительную реализуемость и явную форму для определения коэффициента корреляции.

13. На основе алгоритмов обработки отечественных авиакосмических изображений дистанционного зондирования созданы технологии получения и визуализации трехмерных моделей местности для широкого круга применений.

14.Разработан метод обнаружения контрастных пространственных объектов, не принадлежащих заданной поверхности, по стереопаре изображений. Главная идея метода заключается в сведении трёхмерной задачи обнаружения к обнаружению характерных двумерных "угловых" структур, возникающих в разностных ортоскопических изображениях, перевычисленных на вспомогательную плоскость из исходной стереопары.

15.Показано, что при настильных углах съёмки форма и угол раствора характерной "угловой" 2D структуры малочувствительны к форме обнаруживаемого объекта и определяются полученными зависимостями от положения объекта относительно съёмочной системы.

16.Проведённое фотограмметрическое обоснование метода показывает его высокую потенциальную чувствительность для навигации мобильных робототехнических систем. Так, при использовании стандартных видеокамер телевизионного формата с базисом съёмки 1 метр и высотой над поверхностью 1 метр, обеспечивается возможное обнаружение объектов высотой 10см на дальности 50 метров и дальше.

17.Разработана система реального времени для обнаружения препятствий, являющаяся частью интеллектуальной системы управления автомобилем повышенной безопасности ASV-II (Япония 2001). Алгоритмическое обеспечение системы включает в себя алгоритмы обнаружения разметки на дороге, реализующие модифицированные системы голосования Hough (глава 3), алгоритмы первичного обнаружения препятствий по методу дифференциального ортофото (глава 6), алгоритмы вторичного обнаружения (фильтрации и оценивания параметров первичного обнаружения), алгоритмы ориентирования стереосистемы относительно различных систем координат и другие. Практическая реализация разработанных алгоритмов выполнена на базе стандартной вычислительной платформы МУС-150/40 (производитель - фирма Imaging Technologies США).

18.Исследована надёжность работы комплексной системы обнаружения препятствий под влияниями различных факторов. Показано, что наиболее критический параметр системы - вероятность возникновения ложных срабатываний - во многом определяется частотой сбора данных о фрагментах разметки и может повышаться в условиях плохой видимости, бликов и отражений.

В целом система продемонстрировала высокую надёжность работы вплоть до скоростей движения 110-120км/час.

19.Разработана оригинальная программная среда для исследования и обработки цифровых изображений. Предложена оригинальная «фреймовая» программная архитектура этой среды. Она отличается следующими основными особенностями:

- Базовым элементом программной архитектуры являются программные фреймы - объекты, объединяющие данные, процедуры и линки (связи с другими фреймами). Любая схема обработки в этой архитектуре программа представляется в виде сети фреймов. Ее структура определяется набором фреймов и установленными между ними связями.

- Фреймы принимают и порождают сообщения, которые распространяются по линкам и определяют порядок "запуска" соответствующих процедур обработки данных. Такая структура позволяет организовывать автоматическую обработку данных по мере их поступления независимо от числа источников информации и степени их временного рассогласования.

20.В ходе работы над системой Pisoft разработано и отлажено следующее специальное программное обеспечение:

- Базовая библиотека поддержки фреймового программирования.

- Среда визуального программирования сетей фреймов.

- Базовый набор фреймов, реализующий платформу обработки визуальной информации.

315

- Объектно-ориентированная библиотека алгоритмов обработки и анализа изображений.

21 .Разработанное алгоритмическое, программное обеспечение и его аппаратурные реализации применяются в практических исследованиях ряда организаций и фирм, посвященных:

- созданию перспективных корреляционно-экстремальных систем, использующих двумерные датчики;

- разработке технологий обработки данных дистанционного зондирования для авиационных и тренажерных применений;

- созданию систем обработки машиночитаемых документов;

- разработке систем медицинской диагностики и различных систем технического зрения.

1.АГАПОВ C.B., БИРЮКОВ B.C., ЖЕЛТОВ С.Ю., СКРЯБИН C.B. О перспективах создания и внедрения отечественных цифровых стереофото-грамметрических комплексов. - Геодезия и картография, 1994, № 10, с.23-26.

2. АНИСИМОВ Б.В., КУРГАНОВ В.Д., ЗЛОБИН В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983, с.295.

3. БЕЛОГЛАЗОВ И.Н., ТАРАСЕНКО В.П. Корреляционно-экстремальные системы. М.: Сов. Радио, 1974, с.392.

4. БОНГАРД М.М. Проблема узнавания. М.: Наука, 1967, с.98.

5. БОЧКАРЕВ A.M. Корреляционно-экстремальные системы навигации. -Зарубежная радиоэлектроника, 1981, №9, с.28-53.

6. БУТАКОВ Е.А., ОСТРОВСКИЙ В.И., ФАДЕЕВ И.Л. Обработка изображений на ЭВМ. М.: Радио связь, 1987, с.250.

7. ВАН ТРИС Г. Теория обнаружения, оценок и модуляции. М.: Советское радио, 1972, т.1, с.344.

8. ВАСИЛЕНКО Г.И., ЦИБУЛЬКИН Л.М. Голографические распознающие устройства. М.: Радио и связь, 1985, с.312.

9. ВАСИЛЬЕВ В.И. Распознающие системы: Справочник. Киев: Наукова думка, 1983, с.424.

10. ВИЗИЛЬТЕР Ю.В., ЖЕЛТОВ С.Ю., СТЕПАНОВ A.A. Новые методы обработки изображений. НЗНТ, Серия: Авиационные системы / Гос-НИИАС, 1992, № 4, с.21.

11. ВИТТИХ В.А., СЕРГЕЕВ В.В., СОЙФЕР В.А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982, С.216.

12. ГОРЕЛИК А.Г., СКРИПКИН В.А. Методы распознавания. М.: Высшая школа, 1984, с.208.

13. ГОРЕЛИК А.Г., ГУРЕВИЧ И.Б., СКРИПКИН В.А. Современное состояние и проблемы распознавания. М.: Радио и связь, 1985, с. 160.

14. ДУДА Р., ХАРТ П. Распознавание образов и анализ сцен: Пер. с анг. -М.: Мир, 1976, с.511.

15. ЖЕЛТОВ С.Ю., СТЕПАНОВ A.A., КУТЕПОВ С.А. Статья (с). Научно-технический сб. НИИАС, 1988, №8 (283).

16. Методы оценки характеристик и повышения эффективности корреляционных систем обнаружения: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Кутепов С.А. и др. № 316 (11518), 1988, с.34.

17. ЖЕЛТОВ С.Ю., СЕБРЯКОВ Г.Г., СТЕПАНОВ А.А. Принципы построения экспертных систем обработки изображений: Труды Всесоюзной конференции "Создание и применение гибридных экспертных систем". Рига, 1990.

18. Разработка и создание интерактивных программных средств (на базе ПЭВМ) автоматизации анализа и синтеза алгоритмов обработки изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Степанов А.А и др. № 104(12649), 1990, с.31.

19. Теория и алгоритмы отдельных процессов цифровой обработки фотоизображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Агапов С.В. и др. по теме 373 / ГуГК ГосЦентр "Природа", 1991.

20. Анализ и разработка алгоритмического обеспечения, реализующего процедуры обнаружения ДОН на ПНФ: Отчет по договору/ НПО ИТ; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. -этап II, 1992, с.45.

21. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В., СТЕПАНОВ А.А. Фреймовая парадигма и объектно-ориентированная обработка изображений для задач фотограмметрии. SPIE Proceedings, 1995, vol. 2646, с.234-239.

22. ЖЕЛТОВ С.Ю., СТЕПАНОВ А.А., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В. Объектно-ориентированный фреймовый подход в обработке изображений и управления данными, получаемыми от датчиков различной физической природы. SPIE Proceedings, 1994, vol. 2587, с. 125-135.

23. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В. Измерение угла схождения сварного шва с использованием преобразования Hough: ISPRS Intercommission workshop. Zurich, 1995, c.134-138.

24. Разработка унифицированного комплекса алгоритмов цифровой обработки и анализа медицинских изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. НИР "Кадр-бТМ-МП", 1996, с.92.

25. Новые информационные технологии обработки и анализа медицинских изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. НИР "Кадр- С", 1996, с.58.

26. Комплекс работ по созданию новых информационных технологий по программе "Национальная технологическая база": Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Степанов A.A. и др. -№ 111(14182)96, 1996, кн.1, с. 154 и кн.П, с.328.

27. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., СТЕПАНОВ A.A. Детектирование и распознавание объектов с использованием анализа изображений, основанного на событиях. SPIE Proceedings, 1996, vol. 2823, с. 184-195.

28. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., СТЕПАНОВ A.A. Событийный анализ изображений в задачах машинного зрения и цифровой фотограмметрии: ISPRS Proceedings, International archives of photogrammetry and remote sensing, Vienna, Austria, 1996, vol. XXXI, part III.

29. Комплекс работ по созданию новых информационных технологий по программе "Национальная технологическая база": Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Блохинов Ю.Б. и др. № 79(14263)97, 1997, с.36.

30. Технология организации обработки машиночитаемых документов для широкого внедрения в федеральные и ведомственные службы: Отчет/ ГУП ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Степанов A.A. и др. № 67(14351)98, 1998.

31. ЖЕЛТОВ С.Ю., КНЯЗЬ В.А. Разработка цифрового фотограмметрического аппаратно-программного комплекса бесконтактных измерений и построения трехмерных моделей: Тезисы докладов 220 лет МИИГАиК -Москва, 24-28 V 1999, с.95-96.

32. ЖЕЛТОВ С. Ю. Фотограмметрия и машинное зрение на рубеже тысячелетий: Тезисы докладов I Научно-практической Общества содействия развитию фотограмметрии и дистанционного зондирования. Москва, 1 -2 III 2000, с.4-5.

33. ЖУРАВЛЕВ Ю.И., ГУРЕВИЧ И.Б. Распознавание образов и распознавание изображений: /Распознавание, классификация, прогноз. Математические методы и их применение. Ежегодник. М.: Наука, 1989, вып.2, с.302.

34. КРАСОВСКИЙ A.A., БЕЛОГЛАЗОВ И.Н., ЧИГИН Г.П. Теория корреляционно-экстремальных навигационных систем. — М.: Наука, 1979, с.448.

35. КУЧЕРЕНКО К.И., ОЧИН Е.Ф. Двумерные медианные фильтры для обработки изображений. Зарубежная радиоэлектроника, 1986, № 6, с.50-61.

36. ЛЕВШИН В.Л. Биокибернетические оптико-электронные устройства автоматического распознавания изображений. М.: Машиностроение, 1987, с.176.

37. ЛОБАНОВ. Фотограмметрия. М.: Недра, 1984, с.552.

38. МАРР Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь, 1987, с.400.

39. ПАВЛИДИС Т. Алгоритмы машинной графики и обработки изображений: Пер. с анг. М.: Радио и связь, 1986, с.400.

40. ПРЭТТ У. Цифровая обработка изображений: Пер. с анг. М.: Мир, 1982, 1 kh.-c.525, 2 кн.-с.474.

41. ПЫТЬЕВ Ю.П. Морфологический анализ изображений. Доклад АН СССР, 1983, т. 269. № 5, с. 1061-1064.

42. ПЫТЬЕВ Ю.П. Задачи морфологического анализа изображений/Сб. "Математические методы исследования природных ресурсов Земли из Космоса." М.: Наука, 1984, с.41-83.

43. РАБИНДЕР Л., ГОУЛД Б. Теория и применение цифровой обработки сигнала. -М.: Мир, 1978, с.379.

44. РОЗЕНФЕЛЬД А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с анг. М.: Мир, 1972, с.230.

45. РУСЫН Б.П. Структурно-лингвистические методы распознавания изображений в реальном времени. Киев: Наукова думка, 1986, с. 128.

46. ТАРАСОВ В.Б., СТЕПАНОВ A.A., ЖЕЛТОВ С.Ю. Нечеткие модели в обработке изображений: обзор зарубежных достижений: Новости искусственного интеллекта. Москва, 1993, № 3, с.40-64.

47. ТИХОНОВ А.Н. Теория восстановления сигналов. М.: Наука, 1983, с.225.

48. ТИХОНОВ В.И., ХОМЕНКО В.И. Выбросы траекторий случайных процессов. -М.: Наука, 1987, с.304.

49. ТУ ДЖ., ГОНСАЛЕС Р. Принципы распознавания образов. М.: Мир, 1978, с.411.

50. ФУ К. Структурные методы в распознавании образов. М.: Мир, 1977, с.320.

51. ХОРН Б.К. Зрение роботов. М.: Мир, 1989, с.487.

52. ХУАНГ Т.С. Обработка изображения и цифровая фильтрация. М.: Мир, 1979, с.274.

53. ЦЫПКИН Я.3. Адаптация и обучение в автоматических системах. М.: Наука, 1968, с.390.

54. ЯРОСЛАВСКИЙ Л.П. Точность и достоверность измерения положения двумерного объекта на плоскости. Радиотехника и Электроника, 1972, №4.

55. ЯРОСЛАВСКИЙ Л.П. Введение в цифровую обработку изображений. -М.: Сов. Радио, 1979, с.312.

56. ЯРОСЛАВСКИЙ Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. М.: Радио и связь, 1987, с.296.

57. ABBASI-DEZFOULD М., FREEMAN T.G., Stereo-Image Registration Based of Uniform Patches, International Archives of Photogrammetry and Remote Sensing, Vol. XXXI, Part B2,Vienna, 1996.

58. ACKERMAN F. High precision digital image correlation. IPSUS, 1984, № 9, pp.231-243.

59. AKEY M.L. AND MITCHELL O.R. Detection and sub-pixel location of obthjects in digitized aerial imagery. Proc. 7 Int. Conf. on Pattern Recogn. Montreal (30July-2August), 1984, pp. 411-414.

60. ALOIMONOS J.Y., WEISS I. AND BANDYOPADHYAY A. Active vision. Int.J.Computer Vision, 1988, № 1, pp. 681-688.

61. AYACHE N. AND FAUGERAS O.D. HYPER. A new approach for the recognition and positioning of two-dimensional objects. IEEE Trans. Pattern Anal. Mach. Intel!., 1986, № 8(1), pp. 44-54.

62. AYACHE N., FAVERJON В., Efficient registration of stereo images by matching graph description of edge segments, IJCV, Vol.1, No.2, pp. 107131, 1987.

63. BALLARD D.H. Generalizing the Hough transform to detect arbitrary shapes. Pattern Recognition, 1981, 13(2), pp. 111-122.

64. BARNARD S.T. AND THOMPSON W.B. Disparity analysis of images. -IEEE Trans. Pattern Anal. Mach. Intell., 1980, № 2(4), pp.333-340.

65. BENDER E.A. Mathematical Methods in Artificial Intelligence. IEEE Comput. Society Press, Los Alamitos, California, 1996, p.636.

66. BERTRAM S., The UNAMACE and the automatic photomapper, Photo-grammetric Engineering, 35, No.6, pp.569-576, 1969.

67. BESL P.J. AND JAIN R.C. Three-dimensional object recognition. Comput. Surveys, 1984, № 17, pp. 75-145.

68. BOVIK A.C., HUANG T.S. AND MUNSON D.C. The effect of median filtering on edge estimation and detection. IEEE Trans. Pattern Anal. Mach. Intell., 1987, №9, pp. 181-194.

69. BRADY J.M. AND WANG H. Vision for mobile robots. Phil Trans R. Soc. (London), 1992, 337, pp. 341-350.

70. BROOKS R.A. Model-based three-dimensional interpretations of two-dimensional images. IEEE Trans. Pattern Analysis and Machine Intelligence, 1983, № 5(2), pp. 140-149.

71. BROWN C.M. Inherent bias and noise in the Hough transform. IEEE Trans. Pattern Anal. Mach. Intell., 1983, № 5, pp. 493-505.

72. BURNS J, HANSON A, RISEMAN E. Extracting Straight Lines, IEEE Trans. On Patt. Analysis and Machine Intel, 1986, vol.8, № 4, pp. 425-455.

73. CANNY. J. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell., 1986, № 8, pp. 679-698.

74. CHAKRAVARTY AND FREEMAN H. Characteristic views as a basis for three-dimensional object recognition. Proc. Soc. Photo-opt. Instrum. Eng. Conf. Robot Vision, 1982, № 336, pp. 37-45.

75. CHARNIAK E. AND McDERMOTT D. Introduction to Artificial Intelligence. Addison Wesley, Reading, MA. 1985.

76. DA VIES E.R. The performance of the generalised Hough transform: concavities, ambiguities and positional accuracy Proceedings of the 3rd Alvey Vision Conference, Cambridge, !5-17 Septembre 1987h, pp. 327-333.

77. DAVIES E.R. Application of the generalised Hough transform to corner detection. IEE Proc., 1988a, E 135, pp. 49-54.

78. DAVIES E.R. A modified Hough scheme for general circle location. Pattern

79. Recogn., 1988b, № 7, pp. 34-37.

80. DAVIES E.R. Machine Vision: Theory, Algorithms, Practicalities. Academic

81. Press., 2-nd Edition, San Diego, 1997, pp.750.

82. DAVIES E.R. Locating objects from their point features using an optimised

83. Hough-like accumulation technique. Pattern Recogn., 1992d, № 13(2) , pp.113-121.

84. DAVIES E.R. Computationally efficient Hough transform for 2-D object location. Proc. 4th British Machine Vision Assoc. Conf., - Univ. of Surrey (2123 September), 1993b vol. 1, pp.259-268.

85. DEANS S.R. Hough transform from the Radom transform. IEEE Trans. Pattern Anal. Mach. Intell., 1981, 3, pp. 185-188.

86. DICKMANNS E.D. AND MYSLIWETZ B.D. Recursive 3-D road and relative ego-state recognition. IEEE Trans. Pattern Anal. Mach. Intell., 1992, № 14, pp. 199-213.

87. DUD A R.O. AND HART P.E. Use of the Hough transformation to detect lines and curves in pictures. Comm. ACM 15, 11-15. 1972, pp.11-15.

88. ELLIS T.J., ABBOOD A. AND BRILLAULT B. Ellipse detection and matching with uncertainty. Image Vision Comput., 1992, № 10(5) , pp.271276.

89. FAUGERAS O. Three-dimensional Computer Vision a Geometric Viewpoint. - MIT Press, Cambridge, MA. 1993.

90. FOERSTNER W., A feature based correspondence algorithm for image matching, ISPRS Commision III Symposium, Rovaniemi, Finland, August 19-22, 1986,1APRS, Vol.26-3/3, pp.150-166.

91. FORSTNER W. AND PERTL A. Photogrammetric standart methods and digital image matching techniques for high precision surface measurements. Pattern Recognition in Practice II, 57-72, Elsevier Science Publishers, 1986, pp.57-72.

92. FORSTNER W. Mid-level vision processes for automatic building extraction, Automatic Extraction of Man-Made Objects from Aerial and Space Images, Birkhauser Verlag, Basel, 1995, pp.179-188.

93. FUA P. Combining stereo and monocular information to compute dense depth maps that preserve depth discontinuuities. Proceedings of the 12th Intern. Joint Conf.on Artificial Intell., 1991, pp. 1292-1298.

94. GAVRILA D.M. AND GROEN F.C.A. 3D object recognition from 2D images using geometric hashing. Pattern Recogn. Lett., 1992, № 13(4) , pp.263-278.

95. GEMAND D. Stochastic model for boundary detection. Image Vision Comput., 1987, № 5(2), pp.61-65.

96. GERIG G. AND KLEIN F. Fast contour identification through efficient Hough transform and simplified interpretation strategy. Proc. 8 Int. Conf. on Pattern Recogn., Paris (27-31 October), 1986, pp.498-500.

97. GODBOLE S. AND AMIN A. Mathematical morphology for edge overlap detection for medical images. Real-Time Imaging, 1995, № 1(3), pp.191201.

98. GOLUB G.H., CH. F. VAN LOAN. Matrix computations. John Hopkins University Press, 1983.

99. GONZALEZ R. AND WINTZ P. Digital Image Processing (2nd edition). -Addison-Wesley, Reading, MA, 1987.

100. GONZALEZ R. AND WOODS R. Digital Image Processing (editors) Addison-Wesley, 1992.

101. O' GORMAN L. AND KASTRURI R. Document Image Analysis. IEEE Computer Society Press, Los Alamitos, California, 1995.

102. GRIMSON W.E.L. On the recognition of parameterised 2D objects. The International Journal of Computer Vision, 1989, № 2(4), pp. 353-372.

103. GRIMSON W.E.L. Object Recognition by Computer: The Role of Geometric Constraints. MIT Press., 1990.

104. GRIMSON W.E.L. AND HUTTENLOCHER D.P. On the sensitivity of the Hough transform for object recognition. IEEE Trans. Pattern Anal. Mach. Intell, 1990, № 12(3), pp.255-274.

105. GROSSO E, SANDINI G. AND TISTARELLIM. 3-d object recognition using stereo and motion. IEEE Trans. Systems, Man, and Cybernetics, 1989, № 19(6), pp. 1465-1476.

106. GRUEN A., Adaptive Least Squares Correlation: A powerful image matching technique, South African Journal of photogrammetry, Remoute Sensing and Cartography, Vol. 14, Part 3, June, 1985.

107. GRUEN A., BALTSAVIAS E. Adaptive least squares correlation with geometrical constraints. SPIE, 1985, vol. 595, pp.72-82.

108. GRUEN A., BALTSAVIAS E. Geometrically constrained multiphoto matching, PERS, 1988, vol. № 5, pp.633-641.

109. HU M.K. Visual pattern recognition by moment invariants, IRE Trans. Information Theory, 1962, vol. IT-8, February.

110. HARALICK R.M. AND CHU Y.H. Solving camera parameters from the perspective projection of a parameterized curve. Pattern Recogn. Lett. 1984, № 17(6), pp.637-695.

111. HARALICK R.M. AND JOO H. 2D-3D pose estimation. Proc. 9th Int. Conf. on Pattern Recogn., Rome, Italy. (14-17 November), 1988, pp.385-391.

112. HARALICK R.M. AND SHAPIRO L.G. Image segmentation techniques. -Computer Vision, Graphics and Image Processing, 1985, № 29(1) , pp.100132.

113. HARALICK R.M. AND SHAPIRO L.G. Machine vision. Addison-Wesley, 1991.

114. HARALICK R.M. AND SHAPIRO L.G. Computer and Robot Vision. Addison-Wesley, Reading, Massachusetts, 1992.

115. HARALICK R.M., CHU Y.H., WATSON L.T. AND SHAPIRO L.G. Matching wire frame objects from their two dimensional perspective projections. Pattern Recogn. Lett., 1984, № 17(6), pp.607-619.

116. HARALICK R.M., STENBERG S.R. AND ZHUANG X. Image analysis using mathematical morphology. IEEE Trans. Pattern Analysis and Machine Intelligence, 1987, vol. 9, № 4, pp.532-550.

117. HORAUD R. New methods for matching 3-D objects with single perspective views. IEEE Trans. Pattern Analysis and Machine Intelligence, 1987, № 9, pp.401-412.

118. HORN B.K.P. AND BROOKS M.J. (eds.). Shape from Shading. MIT Press, Cambridge, MA, 1989.

119. HOUGH P.V.C. Methods and Means for Recognizing Complex Patterns. -U.S., Patent 3069654, 1962.

120. HUANG T.S. (ed). Image Sequence Processing and Dynamic Scence Analysis. Springer-Verlag, New York, 1983.

121. HUERTAS A. AND G. MEDIONI. Detection of intensity changes with subpixel accuracy using laplacian-gaussian masks. IEEE Trans. Pattern Analysis and Machine Intelligence, September 1983, № 8(5), pp.651-664.

122. HUERTAS A., NEVATIA R. Detecting buildings in aerial images. Computer Vision, Graphics and image processing, 1988.

123. HUTTENLOCHER D.P., KLANDERMAN G.A. AND RUCKLIDGE W.J. Comparing images using the Hausdorff distance. IEEE Trans. Pattern Analysis and Machine Intelligence, 1993, № 15(9), pp.850-863.

124. ILLINGWORTH J. AND KITTLER J. The adaptive Hough transform. -IEEE Trans. Pattern Anal. Mach. Intell., 1987, vol. 9, pp.690-698.

125. ILLING WORTH J. AND KITTLER J. A survey of the Hough transform. Comput. Vision Graph. Image Process, 1988, vol. 44, pp.87-116.

126. JAIN A.K. Fundamentals of Digital Image Processing. Prentice-Hall International Editions. 1989.

127. JOLION J.-M. AND ROSENFELD A. Cluster detection in background noise. Pattern Recogn. Lett., 1989, № 22(5), pp.603-607.

128. KASTURI R. AND JAIN R.C. Computer Vision: Advances and Applications. IEEE Computer Society Press, Las Alamitos, California, 1991.

129. KIM D.Y., KIM J.J., MEER P., MINTZ D. AND ROSENFELD A. Robust computer vision: a least median of squares based approach. Proc. DARPA Image Understanding Workshop, Palo Alto, CA ((23-26 May), 1989, pp.1117-1134.

130. KIRYATI N. AND BRUCKSTEIN A.M. Antialiasing the Hough transform. Comput. Vision Graph. Image Process.: Graph. Models Image Process, 1991, № 53, pp.213-222.

131. KITCHEN L. AND ROSENFELD A. Gray-level corner detection. Pattern Recogn. Lett., 1982, № 1, pp.95-102.

132. KOLLER, WEBER J, HUANG T., MALIK J., OGASAWARA G., RAO B. AND RUSSELL S. Towards robust automatic traffic scene analysis in realtime. Proc. 12th Int. Conf. on Pattern Recogn., Jerusalem (9-13October), 1994, vol. 1, pp.126-131.

133. V.F. LEAVERS AND BOYCE J.F. The Radon transform and its application to shape parametrization in machine vision. Image Vision Comput., 1987, №5.

134. LE VINE M.D., O'HANDLEY D.A., YAGI G.M., Computer Determination of Depth Maps, Computer Graphics and Image Processing, 2, No.2, pp.131150, 1973.

135. LI H. AND LAVIN M.A. Fast Hough transform based on bintree data structure. Proc. Conf. Comput. Vision and Pattern Recogn., Miami Beach, Florida, 1986, pp.640-642.

136. LUTTON AND P. MARTINEZ. A genetic algorithm for the detection of 2D geometric primitives in images. Proc. 12th Int. Conf. on Pattern Recogn., Jerusalem (9-13October), 1994, vol. 1, pp.526-528.

137. LUTTON, MAÎTRE H. AND LOPEZ-KRAHE J. Contribution to the determination of vanishing points using Hough transform. IEEE Trans. Pattern Anal. Mach. Intell., 1994, № 16(4), pp.430-438.

138. MALIK J., WEBER J, LUONG Q.-T. AND KOLLER D. Smart cars and smartroads. Proc. 6th British Machine Vision Assoc. Conf., Birmingham (11-14 September), 1995, pp.367-381.

139. MARR D., HILDRETH E. Theory of edge detection. Proc. R. Soc. (London), 1980, B207, pp. 187-217.

140. MARR D. AND POGGIO T. Cooperative computation of stereo disparity. -Science. 1976, № 194, pp.283-287.

141. MATHERON. Random Setsand Integral Geometry. John Wiley & Sons. 1975.

142. McIVOR M. Edge detection in dynamic vision. Proc. 4th Alvey Vision Conf., Manchester (31August-2 September), 1988, pp. 141-145.

143. MEDIONI AND RAM NEVATIA. Segment-based stereo matching. Computer Vision, Graphics and Image Processing, 1985, № 31, pp.2-18.

144. MEER P., MINTZ D. AND ROSENFELD A. Least median of squares based robust analysis of image structure. Proc. DARPA Image Understanding Workshop, Pittsburgh, Pennsylvania (11-13 September), 1990, pp.231-259.

145. MEER P, MINTZ D, ROSENFELD A. AND KIM D.Y. Robust regression methods for computer vision: a review. Int. J. Comput.Vision., 1991, № 6(1), pp.59-70.

146. MORAVEC H.P. Towards automatic visual obstacle avoidance. Proceedings of the International Joint Conference on Artifical Intelligence, 1977, № 584.

147. MORA VEC H.P. Obstacle avoidance and navigation in the real world by a seeing robot rover. Stanford Artif. Intell. Lab. Memo ALM-340, 1980.

148. MORI K., KIDODE M., ASADA H., An iterative prediction and correction method for automatic stereocomparison, Computer Graphics and Image Processing, 2, No.3, 4, pp.393-401, 1973.

149. MUMFORD D. The problem of robust shape descriptors. Proc. First Int'l. Conf. Computer Vision, 1987, pp.602-606.

150. MUNDY J.L. AND ZISSERMAN A. (eds). Geometric Invariance in Computer Vision. MIT Press, Cambridge, MA, 1992.

151. NEWMAN T.S. AND JAIN A.K. A survey of automated visual inspection. -Computer Vision Image Understanding, 1995, № 61(2), pp.231-262.

152. OHTA Y., KANADE T., Stereo by intra- and inter-scanline search using dynamic programming, IEEE PAMI, Vol.7, No.2, 139-154, 1985.

153. OTSU N. A threshold selection method from gray-level histograms. IEEE Trans. Systems, Man and Cybernetics, 1979, vol.SMC-9, №16.

154. OVERINGTON AND GREENWAY P. Practical first-difference edge detection with subpixel accuracy. Image Vision Comput., 1987, № 5, pp.217224.

155. PRIICE K.E., Relaxation techniques for matching. Minutes of the Workshop of Image Matching, September 9-11, 1987, Stuttgart University, F.R.Germany.

156. PRINCEN J., YUEN H.K., ILLINGWORTH J. AND KITTLER J. Propertiesth • of the adaptive Hough transform. Proc. 6 Scand. Conf. on Image Analysis,

157. Oulu, Finland (19-22June), 1989, pp.613-620.

158. ROSENFELD A. AND KAK A.C. Digital Picture Processing. Academic Press, New York, second edition, 1982. Two volumes.

159. ROUSSEEUW P.J. AND LEROY A.M. Robust Regression and Outlier Detection. Wiley, New York. 1987.

160. SCHNEIDERMAN H., NASHMAN M., WAVERING A.J. AND LUMIA R. "Vision-based robotic convoy driving", Machine Vision and Applications, 1995, № 8(6), pp.359-364.

161. SEEGER U. AND SEEGER R. Fast corner detection in grey-level images. -Pattern Recogn. Lett., 1994, № 15(7) , pp.669-675.

162. SER P.-K. AND SIU W.-C. Novel detection of conics using 2-D Hough planes. IEE Proc. Vision Image Signal Process, 1995, № 142(5) , pp.262270.

163. SERRA J. Image Analysis and Mathematical Morphology. Academic Press. 1982.

164. SERRA J. Introduction to mathematical morphology. Computer Vision, Graphics and Image Processing, 1986, vol. 35, №3.

165. SCHENK, Automatic Generation of DEM's, Digital Photogrammetry: An Addentum to the Manual of Photogrammetry. American Society for Photogrammetry & Remote Sensing, 1996, pp. 145-150.

166. SHIRAI Y. Three-dimensional Computer Vision. Springer-Verlag, Berlin. 1987.

167. SILBERBERG T.M., DAVIS L. AND HARWOOD D. An iterative Hough procedure for three-dimensional object recognition. Pattern Recogn. Lett., 1984, № 17, pp.621-629.

168. SKLANSKY J. On the Hough technique for curve detection. IEEE Trans. Comput., 1978, № 27, pp.923-926.

169. STEIN F. AND MEDIONI G. Structural indexing: Efficient 3-D object recognition. IEEE Trans. Pattern Anal. Mach. Intell. 1992, № 14(2) , pp. 125145.

170. STEPHENS R.S. Probabilistic approach to the Hough transform. Image Vision Comput., 1991, № 9(1) , pp.66-71.

171. STOCKMAN G.C. AND AGRAWALA A.K. Equivalence of Hough curve detection to template matching. Comm. ACM , 1977, № 20, pp.820-822.

172. THOMAS RISSE. "Hough Transform for line Recognition: Complexity of Evidence Accumulation and Cluster Detection". Computer Vision, Graphics, and Image Processing, 1989, № 46, 327-345.

173. TORRE V. AND POGGIO T. On edge detection. IEEE Trans. Pattern Anal. Mach. Intell., 1986, № 8(2), pp.147-163.

174. TSAI R.Y. An efficient and accurate camera calibration technique for 3D machine vision. Proceedings CVPR*86, IEEE. 1986, pp.364-374.

175. XU AND OJA E. Randomized Hough transform (RHT): basic mechanisms, algorithms and computationnal complexities. Computer Vision Graph. Image Process: Image Understanding., 1993, № 57, pp. 131-154.

176. YANG J. AND LI X. Boundary detection using mathematical morphology. -Pattern Recogn. Lett., 1995, № 16(12) , pp.1277-1286.

177. YAKIMOVSKY A.Y. Boundary and object detection in real world images. -Journal of the Association of Computing Machinery, 1976, № 23, pp.599618.

178. YUEN H.K., ILLINGWORTH J. AND KITTLER J. Ellipse detection using the Hough transform. Proc. 4th Alvey Vision Conf., Manchester (31August-2 September), 1988, pp.167-174.

179. ZHELTOV S.YU., VIZILTER YU.V., STEPANOV A.A. Shape analysis using Pytiev morphologic paradigm and its use in machine vision. SPIE Proceedings, 1994, vol. 2350, pp. 163-170.

180. ZHELTOV S.YU., BLOCHINOV YU.B., STEPANOV A.A., SIBIRYA-KOV A.V. Computer 3D Site Model Generation Based On Aerial Images. -SPIE Proceedings, 1997, vol.3084, pp. 336-345.

181. ZHELTOV S.YU., SIBIRYAKOV A.V. Adaptive subpixel Cross-Correlation in a Point Correspondence Problem/Optical 3D Measurement Techniques. -Wichmann Verlag, 1997, pp. 88-95.

182. ZHELTOV S.YU., SIBIRYAKOV A.V. Using An Image Preliminary Segmentation For Adaptive Subpixel Correlation./The 8-th International Conference on Computer Graphics and Visualizationics. Conference Proceedings. Moscow, 1998, pp. 19-24.

183. ZHELTOV S.YU, KNYAZ V.A. Photogrammetric method of virtual model generation for complex 3D objects. Proceedings of International Conference on Computer Graphics, Graphicon'99.- Moscow, 1999, pp. 182-186.

184. VIZILTER YU.V, ZHELTOV S.YU „ LUKIN A.A. Development of OCR system for portable passport and visa reader. SPIE Proceedings, 1999, vol. 3651, pp. 194-199.

185. ZHELTOV S.YU, KNYAZ V.A. Approach to Accurate Photorealistic Model Generation for Complex 3D Objects. International Archives of Pho-togrammetry and Remote Sensing, - Amsterdam, 2000, vol. XXXIII, part B5/1, pp.428-433.

186. ZHELTOV S.YU, KNYAZ V.A, STEPANYANTS D.G. Automated photogrammetric system for photorealistic skull 3D reconstruction: Videometrics and Optical Methods for 3D Shape Measurements. Proceeding of SPIE, 2001, vol. 4309, pp.336-345.

187. ZUNIGA O.A. AND HARALICK R.M. Corner detection using the facet model. Proc. IEEE Comput. Vision Pattern Recogn. Conf, 1983, pp.30-37.331