Распознавание образов

Оглавление

Введение 3

1. История распознавания образов 5

2. Определения 7

2.1. Оптическое распознавание символов. Распознавание букв 9

2.2. Распознавание штрих-кодов 12

2.3. Распознавание автомобильных номеров 14

2.4. Распознавание лиц и других биометрических данных 16

2.5. Распознавание речи 17

3. Методы распознавания образов 20

4. Общая характеристика задач распознавания образов и их типы 21

Заключение 22

Литература 24

 

 

 

 

Введение

С задачей распознавания образов  живые системы, в том числе  и человек, сталкиваются постоянно  с момента своего появления. В  частности, информация, поступающая  с органов чувств, обрабатывается мозгом, который в свою очередь  сортирует информацию, обеспечивает принятие решения, а далее с помощью  электрохимических импульсов передает необходимый сигнал далее, например, органам движения, которые реализуют  необходимые действия. Затем происходит изменение окружающей обстановки, и  вышеуказанные явления происходят заново. И если разобраться, то каждый этап сопровождается распознаванием.

С развитием вычислительной техники  стало возможным решить ряд задач, возникающих в процессе жизнедеятельности, облегчить, ускорить, повысить качество результата. К примеру, работа различных  систем жизнеобеспечения, взаимодействие человека с компьютером, появление  роботизированных систем и др. Тем  не менее, отметим, что обеспечить удовлетворительный результат в некоторых задачах (распознавание быстродвижущихся подобных объектов, рукописного текста) в  настоящее время не удается.

Первые  исследования с вычислительной техникой в основном следовали классической схеме математического моделирования - математическая модель, алгоритм и  расчет. Таковыми были задачи моделирования  процессов происходящих при взрывах  атомных бомб, расчета баллистических траекторий, экономических и прочих приложений. Однако помимо классических идей этого ряда возникали и методы основанные на совершенно иной природе, и как показывала практика решения некоторых задач, они зачастую давали лучший результат нежели решения, основанные на переусложненных математических моделях. Их идея заключалась в отказе от стремления создать исчерпывающую математическую модель изучаемого объекта (причем зачастую адекватные модели было практически невозможно построить), а вместо этого удовлетвориться ответом лишь на конкретные интересующие нас вопросы, причем эти ответы искать из общих для широкого класса задач соображений. К исследованиям такого рода относились распознавание зрительных образов, прогнозирование урожайности, уровня рек, задача различения нефтеносных и водоносных пластов по косвенным геофизическим данным и т. д. Конкретный ответ в этих задачах требовался в довольно простой форме, как например, принадлежность объекта одному из заранее фиксированных классов. А исходные данные этих задач, как правило, задавались в виде обрывочных сведений об изучаемых объектах, например в виде набора заранее расклассифицированных объектов.

С математической точки зрения это  означает, что распознавание образов (а так и был назван в нашей  стране этот класс задач) представляет собой далеко идущее обобщение идеи экстраполяции функции.

Важность  такой постановки для технических  наук не вызывает никаких сомнений и уже это само по себе оправдывает  многочисленные исследования в этой области. Однако задача распознавания  образов имеет и более широкий  аспект для естествознания. В контекст данной науки органично вошли  и поставленные еще древними философами вопросы о природе нашего познания, нашей способности распознавать образы, закономерности, ситуации окружающего  мира. В действительности, можно  практически не сомневаться в  том, что механизмы распознавания  простейших образов, типа образов приближающегося  опасного хищника или еды, сформировались значительно ранее, чем возник элементарный язык и формально-логический аппарат. И не вызывает никаких сомнений, что такие механизмы достаточно развиты и у высших животных, которым  так же в жизнедеятельности крайне необходима способность различения достаточно сложной системы знаков природы. Таким образом, в природе  феномен мышления и сознания явно базируется на способностях к распознаванию  образов и дальнейший прогресс науки  об интеллекте непосредственно связан с глубиной понимания фундаментальных  законов распознавания. Понимая  тот факт, что вышеперечисленные  вопросы выходят далеко за рамки  стандартного определения распознавания  образов (в англоязычной литературе более распространен термин supervised learning ), необходимо так же понимать, что они имеют глубокие связи с этим относительно узким (но все еще далеко неисчерпанным) направлением.

Уже сейчас распознавание образов плотно вошло в повседневную жизнь и  является одним из самых насущных знаний современного инженера. В медицине распознавание образов помогает врачам ставить более точные диагнозы, на заводах оно используется для  прогноза брака в партиях товаров. Системы биометрической идентификации  личности в качестве своего алгоритмического ядра так же основаны на результатах  этой дисциплины. Дальнейшее развитие искусственного интеллекта, в частности  проектирование компьютеров пятого поколения, способных к более  непосредственному общению с  человеком на естественных для людей  языках и посредством речи, немыслимы  без распознавания. Здесь рукой  подать и до робототехники, искусственных  систем управления, содержащих в качестве жизненно важных подсистем системы распознавания.

Именно  поэтому к развитию распознавания  образов с самого начала было приковано  немало внимания со стороны специалистов самого различного профиля - кибернетиков, нейрофизиологов, психологов, математиков, экономистов и т.д.

 

1. История распознавания образов

Достаточно долгое время  задача распознавания рассматривалась  человеком со стороны биологического и психологического аспектов. При  этом изучению подвергались лишь качественные характеристики, которые не позволяли  точно описать механизм функционирования. Получение функциональных зависимостей было, как правило, связано с исследованием  рецепторов органов слуха, осязания или зрения. Однако принципы формирования решения оставались загадкой. Считается, что основным заблуждением на заре исследования было мнение о том, что  мозг функционирует по определенным алгоритмам, а следовательно, выяснив эту систему правил, можно ее воссоздать с помощью постоянно развивающихся вычислительных и технических средств.

Основанная Норбертом Винером в начале XX века новая наука, получившая название кибернетика (наука об общих закономерностях процессов управления и передачи информации в машинах, живых организмах и обществе), позволила в исследование вопроса распознавания образов ввести количественные методы. Другими словами, представить процесс распознавания образов (по сути - природное явление) математическими методами.

В процессе жизнедеятельности человека число принимаемых им решений конечно, но, в то же время, количество определяющих факторов может быть бесконечным. В качестве простого примера: На улице может идти дождь: проливной, моросящий, другими словами, различной силы, однако человек может принять лишь два решения - брать ему зонт или нет.

Количество возможных  решений зависит от жизненного опыта. Поэтому автоматизация ряда процессов  предполагает под собой конструирование  автоматических устройств, способных  реагировать на множество изменяющихся характеристик внешней среды  каким-то определенным количеством  удовлетворительных для человека реакций. Это означает реализацию главных  особенностей принципов распознавания, заложенных природой, обеспечение реагирования на совокупность изменений.

Создание устройств, выполняющих  функции распознавания различных  объектов, в большинстве случаев  обеспечивает возможность замены человека специализированным автоматом. Благодаря  этому, значительно расширяются  возможности сложных систем, выполняющих  различные информационные, логические, аналитические задачи. Качество работ, выполняемых человеком на рабочем месте, зависит от многих факторов (квалификации, опыта, добросовестности и т. д.). В то же время исправный автомат действует однообразно и обеспечивает всегда одинаковое качество. Автоматический контроль сложных систем позволяет вести мониторинг и обеспечивать своевременное обслуживание, идентификацию помех и автоматическое применение соответствующих методов шумоподавления, позволяет повысить качество передачи информации. Использование автоматических систем в ряде задач может обеспечить невозможное для человека быстродействие.

Основные причины замены человеческого участия в задачах распознавания:  
- освобождение человека от однообразных операций для решения других более важных задач;  
- повышение качества и скорости принимаемых решений.

В течение достаточно продолжительного времени проблема распознавания  привлекает внимание специалистов в  области прикладной математики, а  затем и информатики. А так же стоит отметить работы Р. Фишера, выполненные в 20-х годах и приведшие к формированию дискриминантного анализа как одного из разделов теории и практики распознавания. В 40-х годах А. Н. Колмогоровым и А. Я. Хинчиным поставлена задача о разделении смеси двух распределений.

В 50-60-е годы ХХ века на основе массы работ появилась теория статистических решений. В результате этого появления найдены алгоритмы, обеспечивающие отнесение нового объекта  к одному из заданных классов, что  явилось началом планомерного научного поиска и практических разработок. В рамках кибернетики начало формироваться  новое научное направление, связанное  с разработкой теоретических  основ и практической реализации устройств, а затем и систем, предназначенных  для распознавания объектов, явлений, процессов. Новая научная дисциплина получила название "Распознавание  образов".

Таким образом, базой для  решения задач отнесения объектов к тому или иному классу послужили, как это отмечается сегодня, результаты классической теории статистических решений. В ее рамках строились алгоритмы, обеспечивающие на основе экспериментальных  измерений параметров (признаков), характеризующих  этот объект, а также некоторых  априорных данных, описывающих классы, определение конкретного класса, к которому может быть отнесен  распознаваемый объект.

В последующем математический аппарат теории распознавания расширился за счет применения:  
- разделов прикладной математики; теории информации;  
- методов алгебры логики;  
- математического программирования и системотехники.

И к середине 70-х годов  определился облик распознавания  как самостоятельного научного направления, появилась возможность создания нормальной математической теории распознавания.

 

2. Определения

Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) - задача идентификации объекта или  определения каких-либо его свойств  по его изображению (оптическое распознавание) или аудиозаписи (акустическое распознавание) и другим характеристикам.

Одним из базовых является не имеющее  конкретной формулировки понятие множества. В компьютере множество представляется набором неповторяющихся однотипных элементов. Слово "неповторяющихся" означает, что какой-то элемент в множестве либо есть, либо его там нет. Универсальное множество включает все возможные для решаемой задачи элементы, пустое не содержит ни одного.

Образ - классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку. Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей. Образы обладают характерными объективными свойствами в том смысле, что разные люди, обучающиеся на различном материале наблюдений, большей частью одинаково и независимо друг от друга классифицируют одни и те же объекты. В классической постановке задачи распознавания универсальное множество разбивается на части-образы. Каждое отображение какого-либо объекта на воспринимающие органы распознающей системы, независимо от его положения относительно этих органов, принято называть изображением объекта, а множества таких изображений, объединенные какими-либо общими свойствами, представляют собой образы.

Методика отнесения элемента к  какому-либо образу называется решающим правилом. Еще одно важное понятие - метрика, способ определения расстояния между элементами универсального множества. Чем меньше это расстояние, тем  более похожими являются объекты (символы, звуки и др.) - то, что мы распознаем. Обычно элементы задаются в виде набора чисел, а метрика - в виде функции. От выбора представления образов  и реализации метрики зависит  эффективность программы, один алгоритм распознавания с разными метриками  будет ошибаться с разной частотой.

Обучением обычно называют процесс  выработки в некоторой системе  той или иной реакции на группы внешних идентичных сигналов путем  многократного воздействия на систему  внешней корректировки. Такую внешнюю  корректировку в обучении принято  называть "поощрениями" и "наказаниями". Механизм генерации этой корректировки  практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе  не сообщается.

Адаптация - это процесс изменения параметров и структуры системы, а возможно - и управляющих воздействий, на основе текущей информации с целью достижения определенного состояния системы при начальной неопределенности и изменяющихся условиях работы.

Обучение - это процесс, в результате которого система постепенно приобретает способность отвечать нужными реакциями на определенные совокупности внешних воздействий, а адаптация - это подстройка параметров и структуры системы с целью достижения требуемого качества управления в условиях непрерывных изменений внешних условий.