Opto-electronic method of pattern recognition of motor vehicles in spatial frequency domain

• Autorzy: Cyran K. A. , Niedziela T.

Warianty tytułu

PL

Optoelektroniczna metoda rozpoznawania obrazów pojazdów mechanicznych w dziedzinie częstości przestrzennych

• Języki publikacji: EN

Abstrakty

EN

The article presents a high speed hybrid pattern recognition system in spatial frequency domain. The sub-system responsible for extraction of features of an image is constructed as diffraction network in the form of holographic ring-wedge detector with probabilistic neural network as a classitier. Since the extractor of this type is used for extracting image features and can be produced at relatively low costs with the use of a high detinition mask generated by computer, such masks should be automatically designed for given tasks. The paper mainly focuses on improvements of feature space optimisation method chiefly designed for the classitier in the form of probabilistic neural network. The abovementioned improvements were feasible thanks to the introduced moditication of the notion of indiscernibility in the theory of rough sets.

PL

Artykuł prezentuje szybki hybrydowy system rozpoznawania obrazów w dziedzinie częstości przestrzennych. Podsystem odpowiedzialny za ekstrakcję cech charakterystycznych obrazu zbudowany jest jako siatka dyfrakcyjna w postaci holograficznego detektora pierścieniowo-klinowego, a klasyfikatorem jest probabilistycza sieć neuronowa. Ponieważ ekstraktor tego typu służy do wydobywania cech obrazu i może być wytworzony po relatywnie niskich kosztach z wykorzystaniem maski o dużej rozdzielczości wygenerowanej przez komputer, zatem maski te powinny być automatycznie projektowane do powierzonych im zadań. Praca koncentruje się głównie na udoskonaleniach metody optymalizacji przestrzeni cech, zaprojektowanej głównie dla klasyfikatora w postaci probabilistycznejnej sieci neuronowej. Wspomniane udoskonalenia były możliwe dzięki wprowadzonej modyfikacji pojęcia nierozróżnialności w teorii zbiorów przybliżonych.

Słowa kluczowe

EN

motor vehicles; pattern recognition; holographic ring-wedge detector

PL

pojazdy mechaniczne; rozpoznawanie obrazów; detektor pierścieniowo-klinowy

• Wydawca: Warsaw University of Technology, Faculty of Transport
• Czasopismo: Archives of Transport
• Rocznik: 2009
• Tom: Vol. 21, iss.1-2
• Strony: 27--47
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Cyran K. A.

autor

Niedziela T.

• Politechnika Śląska, Instytut Informatyki, 44-100 Gliwice, ul. Akademicka 2A

Bibliografia

• 1. Casasent D., Song J.: A Computer Generated Hologram for Diffraction-Pattern Sampling. Proc. SPIE. 523, 1985, 227-236.
• 2. George N., Wang S.: Neural Networks Applied to Diffraction-Pattern Sampling. Appl. Opt. 33, 1994, 3127-3134.
• 3. Cyran K.A., Mrózek A.: Rough Sets in Hybrid Methods for Pattern Recognition. Int. J. Intell. Syst. 16, 2001, 149-168.
• 4. Jaroszewicz L.R., Cyran K.A., Podeszwa T.: Optimized CGH-based Pattern Recognizer. Opt. Appl. 30, 2000, 317-333.
• 5. Pawlak Z.: Rough Sets - Theoretical Aspects of Reasoning about Data. Kluwer Academic Publishers, London, 1991.
• 6. Mrózek A.: Rough Sets in Computer Implementation of Rule-Based Control of Industrial Processes. [In:] Słowiński, R. (ed.): Intelligent Decision Support. Handbook of Applications and Advances of the Rough Sets, Kluwer Academic Publishers, Dordrecht, 1992, 19-31.
• 7. Mrózek A.: A New Method for Discovering Rules from Examples in Expert Systems. Man Machine Studies, 36, 1992, 127-143.
• 8. Cyran K.A., Jaroszewicz L.R., Niedziela T.: Neural Network based Automatic Diffraction Pattern Recognition, Opto-elect. Rev. 9, 2001, 301-307.
• 9. Cyran K.A., Stańczyk U., Jaroszewicz L.R.: Subsurface Stress Monitoring System based on Holographic Ring-Wedge Detector and Neural Network. [In:] McNulty G.J. (ed.): Quality, Reliability and Maintenance. Professional Engineering Publishing. Bury St Edmunds London, 2002, 65-68.
• 10. Cyran K.A., Niedziela T., Jaroszewicz J.R., Podeszwa T.: Neural Classifiers in Diffraction Image Processing. Proc. Int. Conf. Comp. Vision Graph. Zakopane, Poland, 2002, 223-228.
• 11. Podeszwa T., Jaroszewicz L.R., Cyran K.A.: Fiberscope based Engine Condition Monitoring System. Proc. SPIE. 5124, 2003, 299-303.
• 12. Jaroszewicz L.R., Merta L, Podeszwa T., Cyran K.A.: Airplane Engine Condition Monitoring System based on Artificial Neural Network. [In:] McNulty G.J. (ed.): Quality, Reliability and Maintenance. Professional Engineering Publishing. Bury St Edmunds London, 2002, 179-182.
• 13. Cyran K.A., Jaroszewicz L.R.: Concurrent Signal Processing in Optimized Hybrid CGH-ANN System. Opt. Appl. 31, 2001, 681-689.
• 14. Cyran K.A., Jaroszewicz L.R.: Rough Set based Classifiction of Interferometric Images. [In:] Jacquot, P. Foumier, J.M. (eds.): Interferometry in Speckle Light. Theory and Applictions. Springer, Berlin Heidelberg New York, 2000, 413.
• 15. Cyran K.A.: PLD-based Rough Classifier of Fraunhofer Diffraction Pattern. Proc. Int. Conf. Comp. Comm. Contr. Tech. Orlando, 2003, 163-168.
• 16. Jutten C. Supervised composite networks. [In:] Fiesler E, Beale R, editors. Handbook of neural computation. Philadelphia New York Oxford: IOP Publishing and Oxford University Press, 1997, C 1.6.l-C.1.6.13.
• 17. Raghu P.P., Yegnanrayana B. Supervised texture classification using a probabilistic neural network and constraint satisfaction model. IEEE Trans Neural Networks, 1998, 9, 516-522.
• 18. Twomey J.M., Smith A.E.: Bias and variance of validation methods for function approximation neural networks under conditions of sparse data. IEEE Trans Sys, Man, and Cyber. 1998, 28, (3), 417-430.
• 19. Azuaje F.: Genomic data sampling and its effect on classification performance assessment. BMC Bioinformatics, 2003, 4, (2), 5-16.
• 20. Cyran K. A., Niedziela T. Automatic recognition of the type of road vehicles with the use of optimised ring-wedge detector and neural network, Archiwum Transportu, 2006, XVIII, 3, 23-36
• 21. Cyran, K. A., Niedziela, T. Infrared images in automatic recognition of the type of road obstacle in a fog, Archiwum Transportu, 2006, XVIII, 4, 29-38.