Вивчення статистичних властивостей моделі блочного подання для множини дескрипторів ключових точок зображень

Abstract

UK: Актуальність. Багатовимірна природа оброблюваних даних у сучасних системах комп’ютерного зору потребує нових підходів до побудови результативних просторів ознак, що спрощують опрацювання за рахунок узагальнення наявної інформації. Структурні методи розпізнавання зображень використовують описи візуальних об’єктів у вигляді наборів дескрипторів ключових точок як множини числових векторів високої розмірності. Основним інструментом зниження розмірності виступає представлення даних у вигляді системи їх блоків та статистичне дослідження таких структур даних, яке в аспекті розпізнавання покладене відображати сумарні властивості об’єкта як сукупності його фрагментів. У зв’язку з цим виникає проблема вивчення особливостей прикладного застосування та характеристик моделі блочного подання в аспекті її вживання для визначення релевантності описів та класифікації даних в межах бази еталонних зображень. Мета роботи. Здійснення статистичного оцінювання значущості прийняття класифікаційних рішень на основі обчислення релевантності описів об’єктів для моделі блочного подання даних дескрипторів ключових точок зображень. Метод. Запропоновано способи розрізнення описів на основі моделі блочного подання даних дескрипторів ключових точок зображень із використанням критеріїв математичної статистики та інструментарію теорії інформації. Результати. Головним результатом статті є підтвердження того, що вживання класичних статистичних критеріїв для аналізу емпіричних даних у вигляді структурних описів зображень дає можливість визначити якість побудованого простору ознак, достатню для розрізнення візуальних об’єктів при їх розпізнаванні у системах комп’ютерного зору. Впровадження моделі блочного подання та статистичного аналізу для значень дескрипторів ключових ознак зображень сприяє підвищенню ефективності процесу розпізнавання візуальних об’єктів, що підтверджується покращенням рівня розрізнення при збільшенні розміру фрагменту у побудованій ланцюжковій структурі опису. Висновки. Застосування різноманіття статистичних критеріїв дало ідентичний висновок про значущість відмінностей емпіричних описів візуальних об’єктів у побудованому просторі ознак, що підкреслює об’єктивність проведеного дослідження. Впроваджена модель блочного подання даних зберігає розрізнювальні властивості структурного опису з ефектом суттєвого покращення швидкодії прийняття класифікаційного рішення. Наукову новизну дослідження складає удосконалення та статистичне обґрунтування моделей прийняття рішення щодо розпізнавання візуальних об’єктів на основі обчислення релевантності їх описів стосовно еталонів із впровадженням блочного подання дескрипторів ключових точок зображень. Практична значущість роботи полягає у підтвердженні доцільності введення блочної структури для дескрипторного опису об’єкта як ефективного підходу при вирішенні задачі розпізнавання на прикладах зображень задля впровадження у системах комп’ютерного зору. EN: Context. The multidimensional nature of the processed data in modern computer vision systems requires new approaches to the construction of effective feature spaces that simplify processing by summarizing the available information. Structural methods of image recognition use descriptions of visual objects in the form of sets of key point descriptors as sets of numerical vectors of high dimension. The main tool for reducing the dimension is the presentation of data in the form of a system of their blocks and a statistical study of such data structures, which in terms of recognition should display the generalized properties of an object as a set of its fragments. In this connection, there is problem of studying the features of the applied application and the characteristics of the block representation model in the aspect of its use to determine the relevance of descriptions and classify data within the base of reference images. Objective. Perform statistical estimation of the importance of making classification decisions on the basis of the calculation of the relevance of object descriptions for the model of block representation of descriptors of key points of images. Method. Methods are proposed for distinguishing descriptions based on the application of the block representation model of the data descriptors of key points of images using the criteria of mathematical statistics and information theory tools. Results. The main result of the article is the confirmation that the use of classical statistical criteria for analyzing empirical data in the form of structural descriptions of images makes it possible to determine the quality factor of the constructed feature space for distinguishing visual objects when they are recognized in computer vision systems. The introduction of the block representation model and statistical analysis for the values of descriptors of key features of images contributes to the efficiency of the process of recognizing visual objects, which is confirmed by the improvement in the level of difference by increasing the fragment size in the constructed description chain structure. Conclusions. The use of a variety of statistical criteria gave an identical effect on the significance of the differences in the empirical descriptions of visual objects in the constructed feature space, which underlines the objectivity of the study. The implemented model of block representation of data retains the distinguishing properties of a structural description with the effect of a significant improvement in the speed of classification decision making. The scientific novelty of the study is the improvement and statistical substantiation of models for making decisions about the class of visual objects based on the calculation of the relevance of their descriptions with references using a block representation of descriptors of key points of images. The practical significance of the work is confirming the advisability of introducing a block structure for the block description of an object as an effective approach to solving the problem of recognition with examples of images for implementation in computer vision systems.