Факультет: Компьютерных наук и технологий

Специальность: Программное обеспечение автоматизированных систем

Тема выпускной работы:

«Исследование методов контурной сегментации для построения системы оптического распознавания символов»

Руководитель: к.т.н., доцент кафедры ПМиИ Федяев О.И.

Биография

Реферат

Библиотека

Ссылки

Отчет о поиске

Индивидуальный раздел

:: Введение ::

Современное состояние развития компьютерных технологий позволяет применять системы распознавания в широком диапазоне областей, в том числе и в области автоматического распознавания символов [1]. Задача распознавания символов по-прежнему является актуальной, т. к. её необходимо решать при идентификации номерных знаков автомобилей, вагонов, считывании текста и т.д. Уже созданы автоматизированные системы распознавания символов английского, японского, китайского языков. Для других языков (например, русского) необходимы дополнительные исследования [13]. Простое применение существующих алгоритмов во многих случаях невозможно из-за наличия в каждом языке своих специфических символов, знаков и лингвистики построения текстов.

Проблема автоматизированного ввода в компьютер текстовой информации также не потеряла своей актуальности. Более того, она приобретает всё большую остроту в связи с интеллектуализацией диалога с компьютерными системами.

Благодаря доступности и невысокой стоимости мощных микропроцессоров в настоящее время появляется возможность практической реализации различных систем распознавания, например для видеоконтроля за автомобильным движением, где требуется оперативно распознавать номера автомобилей [1].

Распознавание можно делать по снимкам, формируемым установленной удаленно видеокамерой. Важной особенностью анализа таких снимков является распознавание получаемых изображений в реальном времени. Результатом распознавания должен стать набор символов, составляющих номерной знак.

:: Актуальность темы ::

Актуальность задачи распознавания автомобильных номеров состоит в том, что в последнее время возросла интенсивность автомобильного движения и количество автомобильных аварий. Разрабатываемая система автоматически отслеживает нарушителей дорожного движения и записывает автомобильные номера нарушителей в базу данных. Такой автоматический контроль будет способствовать снижению количества нарушений и аварийности на дорогах Украины.

Эта тема относится к проблеме создания эффективных алгоритмов и программных средств распознавания графических образов в реальном времени. Использование подобных систем постоянно растет. Поэтому разработка систем, не уступающих в функциональном отношении существующим аналогам при этом более выгодным в экономическом отношении, - актуальная научно-техническая задача.

:: Цели и задачи, которые должны решаться ::

Распознавание автомобильного номера включает следующие этапы: бинаризацию, сегментацию, локализацию номера, выделение отдельных номерных знаков и их распознавание.

Целью работы является исследование и разработка методов, алгоритмов и программ распознавания знаков, символов, цифр и букв русского языка, обеспечивающих анализ и обработку информации на изображении с целью обнаружения, локализации и идентификации номерного знака отечественных автомобилей.

Достижение поставленной цели определило необходимость решения следующих задачи:

1. Анализ методов и средств сегментации.

2. Разработка структуры и функций системы оптического распознавания символов.

3. Выбор метода бинаризации исходного изображения.

4. Разработка и исследование алгоритмов контурной сегментации.

5. Выбор метода распознавания и оценка его эффективности.

6. Разработка программного обеспечения системы оптического распознавания номеров автомобиля.

:: Планируемые практические результаты ::

После окончания работы планируется получить работоспособный программный продукт, предназначенный для внедрения в систему контроля дорожного движения.

Также планируется проведение комплексного анализа и сравнения практических аспектов реализации нейросетевых систем с использованием различных программных средств разработки.

:: Обзор исследований и разработок по теме ::

В мире уже существуют разработки, касающиеся подобных программных систем. Наиболее успешные из них:

1. Система «Авто-Инспектор» – программно-аппаратный комплекс, обеспечивающий распознавание номеров движущихся автомобилей, надежно работающий в широком диапазоне внешних условий, легко интегрируемый с охранным оборудованием, исполнительными устройствами и внешними базами данных.

   Эффективен для решения задач регистрации, идентификации и обеспечения безопасности автомобилей, контроля транспортных потоков.

2. Система оптической идентификации номеров автомобилей «Штрих-М» Система предназначена для автоматического учета движения автомобилей, распознавания автомобильных номеров, определения массы автомобилей, визуального осмотра груза, контроля соблюдения массы автомобилей.

   Система позволяет:

   • осуществлять видеонаблюдение за зоной взвешивания, записывать видеоизображение, фиксируя прохождение автомобилей;

   • автоматически детектировать прохождение автомобиля. Детекция производится аппаратными средствами (луч), что гарантирует стопроцентную достоверность;

   • автоматически распознавать номера автомобилей по видеоизображению. Распознавание ведется в реальном времени, результаты распознавания немедленно отображаются на мониторе оператора. Для повышения достоверности результата и в случае использования автоприцепов распознавание ведется по двум телекамерам (спереди и сзади);

   • осуществлять взвешивание автомобилей;

   • выполнять привязку массы автомобиля к его номеру;

   • автоматически оценивать уровень налива жидкости в автоцистернах (при наличии тепловизора);

   • записывать результаты распознавания и взвешивания в специализированную базу данных – протокол;

   • сопоставлять информацию в протоколе с натурным листом или другим источником информации и выводить соответствующую отметку в случае обнаружения несоответствий;

   • осуществлять оперативный поиск автомобилей по протоколу с возможностью воспроизведения соответствующего видеофрагмента;

   • формировать отчеты по данным из протокола, в том числе сводные, с учетом сопоставления информации из протокола с натурным листом.

Отличия от моей работы состоят в том, что «Штрих-М» работает в более узких условиях, неустойчив к помехам разных видов [11].

На национальном уровне разрабатываются считыватели автомобильных номеров Киевской фирмой «Аллан». Они обеспечивают высококонтрастные изображения автомобильных номеров в пределах всего спектра условий окружающего освещения, от полной темноты до ослепительного солнечного света и света автомобильных фар. Считыватели оптимальны для работы с программным обеспечением для распознания автомобильных номеров.

Представители локального уровня:

• Полтава Сергей Александрович, «Распознавание изображений» (источник: газета «Компьютер-Информ»). Рассматриваются основные процедуры и методы распознавания изображений, структура методов распознавания, особенности при проектировании роботизированных систем. В отличие от моей работы, в системе не используются нейронные сети, повышающие скорость распознавания.

• Афанасенко Андрей Викторович, «Разработка гибридной специализированной системы распознавания образов на базе нечетких нейронных сетей» [15]. В работе Андрея Викторовича используется нейросеть в задаче распознавания образов. Однако не рассматривается архитектура нейросети, распознающая изображение с заданным процентом распознавания.

  
  

:: Научная новизна ::

Анализ подобных систем распознавания показал, что они, во-первых, дают неудовлетворительные результаты на изображениях низкого качества (которые, как правило, и получают с видеокамер), во-вторых, не распознают сложные (разноплановые) изображения, т. к. на них трудно локализовать требуемую область распознавания, и, в-третьих, все они ориентированы на строго определенные условия (освещенность, угол поворота камеры, яркость и т.д.).

Использование разработанных нейросетевых структур и алгоритмов обучения обеспечит высокую скорость распознавания заданных символов за счет распараллеливания вычислений.

Исследование и выбор наиболее подходящих к конкретной задаче методов контурной сегментации, бинаризации и т.д. позволит снизить требования к условиям распознавания, что очень важно в задаче распознавания автомобильного номера.

:: Основная идея работы ::

Объектом исследования данного научного проекта является интерактивная программная система распознавания символов на основе искусственных нейронных сетей, её внутренняя структура.

Анализ существующих систем и методов распознавания показывает, что задача распознавания графических образов не решена в полной мере. Все существующие системы распознавания показывают хорошие результаты только при строго ограниченных параметрах входных образов и наличии дополнительной информации об их содержании. Тем не менее, известно, что проблема распознавания образов очень актуальна и вполне решаема. Например, человек без труда решает эту задачу даже при предъявлении ему зашумленных и/или искажённых образов.

Задача распознавания паттернов или графических образцов относится к классу NP- задач. Это требует поиска новых методов решения. При обработке изображения документа можно выделить несколько этапов – выделение полей, содержащих предполагаемые графические образы, распознавание графических образов, проверка результатов распознавания. На каждом этапе используются свои методы обработки. При этом эффективность решения задачи распознавания зависит от выбранной комбинации методов обработки изображения [1].

В работе рассматривается применение нейронных сетей для распознавания конечного числа паттернов, произвольно расположенных на анализируемом участке изображения. Мы предполагаем, что возможный «подозрительный» участок выделен и бинаризован и в таком виде поступает на вход нейронной сети. Таким образом, мы выясняем присутствует ли искомый образец на этом участке или нет. Задачу поиска этого участка на всем изображении целесообразнее решать с помощью других методов, например, с помощью морфологии.

Внимание привлекла возможность использования нейронных сетей в силу их «инвариантности» к расположению, ориентации распознаваемого графического образца.

Актуальность использования распознавания образов (идентификации) на основании нейронных сетей обусловлена широкой областью применения. Это: системы идентификации номеров, системы контроля доступа, электронной коммерции, банковские системы и т.п. Уже имеются примеры конкретных реализаций систем ограничения доступа к мобильным персональным телекоммуникационным и вычислительным устройствам, системы пропускного контроля на пограничных постах и аэропортах. Сегодня существует более чем 10,000 компьютеризированных мест, хранилищ, исследовательских лабораторий, банков крови, банкоматов, военных сооружений, доступ к которым контролируется устройствами, которые сканируют уникальные физиологические или поведенческие характеристики индивидуума [2].

В качестве первоисточников номерного знака используются, как правило, видео- и фото изображения. При этом на них могут присутствовать объекты произвольного вида [7]. Поэтому перед непосредственным анализом изображенных предметов необходимо выполнить ряд предварительных операций, позволяющих получить изображение самих объектов без посторонних изображений [9].

В большинстве автоматизированных систем обработки изображений выполняется распознавание отдельных объектов (их фрагментов) по заданным объектно-геометрическим параметрам. При этом обрабатываемое изображение локально неоднородно и распознаваемый объект может делиться на подобъекты и элементарные объекты [13].

Для эффективного использования таких изображений используются разные подходы к декомпозиции модели данных, позволяющие представить общую модель как совокупность иерархически взаимосвязанных более простых моделей разного уровня иерархии [5].

Одним из самых распространенных методов решения этих задач является контурная сегментация.

Методы контрастной сегментации используются во многих областях, где объекты на анализируемых изображениях обладают большой сложностью и многофакторностью, что обусловливает высокие требования к надёжности, точности и достоверности результатов исследований. Использование вычислительной техники и математических методов в этой области позволяет не только ускорить процесс обработки материала, но и повысить точность результатов исследования [5].

Быстрое развитие цифровой техники в последнее время открывает новые возможности в реализации этих методов. Увеличение быстродействия вычислительной техники позволяет использовать сложные, критичные ко времени алгоритмы, а благодаря появлению цветных телевизионных датчиков высокого разрешения можно получать и обрабатывать цветные изображения. Именно новые технические возможности позволяют значительно расширить круг исследований, открывают новые пути решения задач, касающихся анализа изображений [2].

Наиболее типичные методы контрастной сегментации: метод определенного окна и метод цепных кодов.

Граница – контрастная область изображения, содержащая резкое различие яркости между двумя соседними пикселями. Такие перепады яркости, как правило, являются границами объекта, где фон и яркость самого объекта значительно отличаются. Существует множество различных методов выделения границ. Они могут сочетаться с коррекцией по гистограммам и бинаризацией изображения. Самые распространенные методы выделения границ: алгоритмы Собеля, Кенни, Робинсона [13].

На подготовительном этапе метода определенного окна находят области, содержащие необходимую контрастность (высокую или, наоборот, низкую). Далее создается окно, исходя из примерных размеров и формы искомого объекта, и считается количество граней в «подозрительных» областях. Если оно находится в заданном диапазоне – объект выделен. Диапазон количества граней выбирается экспериментально [16].

Недостаток использования данного метода заключается в том, что выбранный порог бинаризации не может работать хорошо на всех изображениях. Освещение, цвета могут влиять на качество бинаризации изображения. Ещё один недостаток метода – низкая скорость работы, так как значения всех пикселей в выделенном окне должны быть неоднократно суммированы. Третий существенный недостаток – низкое качество распознавания. Поэтому необходимо дополнительно использовать другие методы. Метод контурной сегментации способен определить местонахождение объекта с вероятностью около 73%.

Метод цепного кодирования был предложен Фриманом [2]. Он заключается в том, чтобы границу объекта, расположенного на дискретной сетке, представить в виде набора элементарных отрезков. Тогда полной характеристикой границы объекта в каждой точке является направление требуемого отрезка (1 – вверх, 2 – вправо, 3 – вниз, 4 - влево). Предполагается, что точки на границе являются только 4-х связными (модификация метода использует 8-связную модель).

Несомненным достоинством представления границы изображаемого объекта цепным кодом является простота реализации алгоритма его описания, простота получения на основе этого описания геометрических характеристик объекта (периметр, площадь, линейные размеры по вертикали и горизонтали и др.), возможность достижения инвариантности к преобразованиям подобия – масштабированию изображения, его переносу и повороту [17].

Основным недостатком данного метода является высокая неустойчивость получаемых описаний к искажениям в изображениях [2].

После выделения изображения номерного знака, которое представляет собой двумерный монохромный сигнал, оно разбивается на множество областей (паттернов) образов реальных символов контурными границами. Примеры паттернов, полученных после преобразования снимков с видеокамеры, показаны на рис. 1.

Рисунок 1 – Символы номерного знака

Проблема распознавания изображений изучается много лет. Разработано много различных методов и алгоритмов распознавания образов [7, 8], но эффективность каждого из них очень сильно зависит от решаемой задачи.

Свойства искусственных нейронных сетей позволяют продуктивно использовать их на этапе распознавания выделенных номерных знаков (рис. 2, 3).

Рисунок 2 – Визуализация выделения изображений номерных знаков. Анимация (Ulead GIF Animator 5), 720x288 px, 111 Кб, 4 кадров с задержкой 150 мс между кадрами; количество циклов воспроизведения ограничено 10-ю.

Рисунок 3 – Бинаризованный двоичный образ входного символа и желаемый результат распознавания – порядковый номер буквы

Однако требуется выбрать тип нейронной сети и её архитектуру для качественного решения задачи распознавания цифр и букв русского языка, обеспечивающей правильное считывание информации с изображения и её анализ с целью идентификации автомобильного номерного знака даже при наличии помех.

В рамках проведенного исследования выполнено сравнение самых распространенных видов нейронных сетей с точки зрения эффективности распознавания.

Анализ показал, что хороший результат дают нейросети обратного распространения ошибки и сети Кохонена.

Нейросети обратного распространения по структуре аналогичны сети Кохонена, но функционируют и обучаются иначе. Сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя (обратная связь) [4].

К недостаткам относят низкую скорость обучения [15].

Среди преимуществ можно выделить то, что обратное распространение - эффективный и популярный алгоритм обучения многослойных нейронных сетей, с его помощью решаются многочисленные практические задачи.

Модификации алгоритма обратного распространения связаны с использованием разных функций погрешности, разных процедур определения направления и величины шага.

Для оценки эффективности использовалось три фундаментальных понятия: емкость, сложность образцов и вычислительная сложность. Под емкостью понимают, сколько образцов может запомнить сеть, и какие границы принятия решений могут быть на ней сформированы. Сложность образцов определяет число обучающих примеров, необходимых для достижения способности сети к обобщению. Вычислительная сложность связана с мощностью процессора ЭВМ.

Исследования показали высокую эффективность нейронной сети обратного распространения. Поэтому был проведен ряд исследований, с целью оценки качества распознавания арабских цифр и букв на номерном знаке автомобиля с помощью нейронной сети обратного распространения.

В качестве объекта исследования была взята архитектура нейронной сети обратного распространения (рис. 4).

Рисунок 4 - Многослойный персептрон

Предметом исследования являются способы построения рациональной архитектуры нейронной сети, качественного обучающего множества и алгоритмов обучения искусственной нейронной сети обратного распространения.

Поставлены следующие задачи:

1. Выделение специфических особенностей букв и цифр русского языка;

2. Анализ основных подходов к построению систем распознавания символов русского языка и арабских цифр;

3. Разработка программы идентификации автомобильных номерных знаков с помощью нейронной сети обратного распространения и её экспериментальная апробация;

4. Исследование архитектуры нейронной сети с целью найти такое распределение нейронов по слоям и значения её весовых коэффициентов, которые позволят максимально повысить качество распознавания автомобильных номерных знаков.

Для исследования использовались методы цифровой обработки изображений, нейронные классификаторы, морфологические методы селекции элементов изображения.

Основные результаты работы:

1. Исследовано влияние начального приближения весовых коэффициентов на качество обучения и распознавания. Наилучшие результаты получались при случайном распределении начальных значений весовых коэффициентов. Самое эффективное распределение начальных значений весов – это распределенные по нормальному закону с нулевым математическим ожиданием и среднеквадратичным значением дисперсии, обратным количеству входов или нейронов на предыдущем слое.

2. Исследовано влияние типа функции активации на качество распознавания. Были рассмотрены функции гистерезис и сигмоид.

   Гистерезис - несложная для реализации кусочно-линейная функция (рис. 5а). Она имеет два линейных участка, на которых функция активации тождественно равна минимально допустимому и максимально допустимому значению и есть участок, на котором функция строго монотонно возрастает [12].

   а) б)
   Рисунок 5 – Функции активации – а) гистерезис, б) логистическая функция активации
   
   

   Однако, в качестве активационной функции в большинстве многослойных персептронов, как правило, используется непрерывная сигмоидальная функция (рис. 5б), в частности, логистическая:

   

   где a – параметр наклона сигмоидальной функции. Изменяя этот параметр, можно построить функции с различной крутизной. Именно использование логистической функции дает лучший результат распознавания.

   Сигмоид ограничивает диапазон изменения выходного сигнала между нулем и единицей, что повышает устойчивость нейросети. Благодаря нелинейности функции активации многослойный персептрон обладают хорошей представляющей способностью. Дополнительное преимущество сигмоида состоит в автоматическом контроле усиления сигнала.

3. Получены графики изменения погрешности при обучении трёхслойной нейросети (7x7x14) для разных размеров обучающего множества (рис. 6). Были взяты 10, 25 и 40 образов, используемых в номерах автомобиля.

   
   Рисунок 6 – Графики изменения погрешности в процессе обучения нейросети
   
   

4. Получены графики изменения погрешности при обучении трёхслойной нейросети (7x7x14) для разного числа нейронов в первом и втором скрытых слоях (рис. 7). Были взяты 5, 10 и 15 нейронов.

   
   Рисунок 7 – Графики изменения погрешности в процессе обучения нейросети для разного числа нейронов в первом скрытом слое
   
   

   Графики зависимости погрешности для разного числа нейронов во втором скрытом слое аналогичны.

   В результате исследований установлены параметры архитектуры нейронной сети, дающие лучшие результаты: распределение нейронов по слоям 15x15x41.

5. Получена зависимость качества распознавания от времени обучения нейросети с распределением нейронов по слоям 15x15x41 (табл. 1).
   
   
   

   Из таблицы видно, что высокий процент распознавания достигается при сравнительно небольшом времени обучения нейронной сети.

   Анализ полученных результатов показал, что наилучшей распознающей способностью для данного класса печатных символов обладает трёхслойная нейронная сеть обратного распространения (15x15x41) с сигмоидальной функцией активации.

   Нейронные сети Кохонена [4] служат, в первую очередь, для визуализации и первоначального («разведывательного») анализа данных [14].

   Сигнал в рассматриваемую сеть Кохонена поступает сразу на все нейроны входного слоя. Выходной сигнал этого слоя формируется по принципу «победитель забирает всё» - ненулевой выходной сигнал формируется на ближайшем к подаваемому на вход объекту нейроне [3].

   
   Рисунок 8 – Структура нейросети Кохонена со слоем Гроссберга: а) слой Кохонена; б) слой Гроссберга
   
   

   В процессе обучения веса синапсов настраиваются таким образом, чтобы узлы решетки «располагались» в местах локальных сгущений данных, то есть описывали кластерную структуру «облака данных», с другой стороны, связи между нейронами соответствуют отношениям соседства между соответствующими кластерами в пространстве признаков [6].

   Недостатком данной нейросети является то, что в случае близкого расположения входных обучающих векторов обучение будет проводиться за более длительное время. При этом, некоторые нейроны не используются, а нагрузка на остальные – повышена [3, 11].

   Преимущество сети Кохонена заключается в способности функционировать в условиях препятствий, весы модифицируются плавно и подстройка весов (обучение) заканчивается очень быстро.

   Одна из модификаций нейросети состоит в том, что к сети Кохонена прибавляется сеть MAXNET, которая определяет нейрон с наименьшим расстоянием к входному сигналу [10].

   В ходе анализа была использована другая модификация, в которой нейрон-победитель брался не один, а несколько – это позволило сократить время обучения и повысить качество распознавания.

   
   

:: Результаты работы ::

На текущий момент закончен анализ выбранной предметной области, сформированы технические требования. Разработана структура БД, удовлетворяющая предметной области. Выбрана программная среда, лучше всего подходящая для данной разработки. Начата разработка программной системы на основе сформулированных требований.

Взгляд на систему распознавания автомобильных номеров как реализацию мощного программного комплекса – основа данной работы. Большинство систем РАН, существующих сегодня в Украине, почти не рассматриваются комплексно как сложные программные системы. Поэтому вполне естественным является возникновение потребности создания именно такой модели, которая давала бы целостный взгляд на процесс построения эффективных систем компьютерной поддержки распознавания автомобильных номеров.

Эта попытка реализована в работе с помощью нейросетевой архитектуры, которая является новой, очень перспективной технологией благодаря способности к распараллеливанию. Для процесса распознавания автомобильных номеров в реальном времени очень важным является тот факт, что нейронная сеть минимизирует время распознавания.

Результатом работы является проект, содержащий описание общей схемы интерактивной системы, основных структур данных, основных алгоритмов, и реализацию полученной системы в виде программы.

Практическая значимость: разработаны алгоритмы и ПО, которые не требуют специального оборудования и позволяют строить системы мониторинга передвижения автотранспорта.

В диссертационной работе промоделирована работа методов контурной сегментации (метод определенного окна и метод цепных кодов). На программной модели проведены сравнение и анализ этих методов. Программная модель позволяет по исходным графическим образам оценивать качество рассмотренных методов контрастной сегментации изображений. Промоделированы методы бинаризации и коррекции по гистограммам. Для каждой области применения выделены методы, дающие наилучшие результаты.

Установлено, что программно реализованные основные виды нейросетей обладают как достоинствами, так и недостатками. Их можно нивелировать, если изменить архитектуру нейросети таким образом: в качестве 1-го слоя взять слой Кохонена, а слой Гроссберга заменить многослойной сетью обратного распространения.

Показана применимость нейронной сети обратного распространения при распознавании символов номерного знака автомобиля. На обучающем множестве из сорока одного образа и с заданной ошибкой в 0.01 выбранная архитектура нейронной сети обучается за 150 эпох.

Основываясь на результатах исследований сделан вывод о возможности применения нейронной сети обратного распространения в распознавании печатных символов.

В перспективе планируется дополнительный анализ методов распознавания с целью максимизирования качества распознавания. Предполагается решить задачу и для ночной видео- фотосъемки.

Также планируется добавление функциональности.

:: Литература ::

1. Аль-Рашайда Хасан Хусейн. Исследование и разработка методов локализации, идентификациии и распознавания арабских символов (на примере номерного знака автомобиля). – СПб.: ЛЭТИ, 2008 – 18 с.
   
   
2. Антощук С., Крилов В., Бабілунга О. Ієрархічна модель контурної сегментації зображень // Праці 8-ї Міжнародн. конф. «Оброблення сигналів і зображень (УкрОБРАЗ’2006)».- Київ: НАН України – Інститут кібернетики. - 2006. - С.109
   
   
3. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харьков: Основа, 1997. — 112 с.
   
   
4. Головко В.А. Нейронные сети: обучение и применение. — М.: ИПРЖР, 2001.
   
   
5. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с.
   
   
6. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. — Новосибирск: Наука: Сибирское предприятие РАН, 1998. — 296 с.
   
   
7. Дуда Р., Харт П. «Распознавание образов и анализ сцен» - М.: Мир, 1976.
   
   
8. Комарцова Л.Г. Нейрокомпьютеры. — М.: Изд-во МГТУ им. Баумана, 2002. — 576 с.
   
   
9. Копитчук М.Б., Олещук О.В. Попередня обробка зображень // Праці 6-ї Міжнародн. конф. «Оброблення сигналів і зображень (УкрОБРАЗ’2002)».- Київ: НАН України – Інститут кібернетики. - 2002. - С.127-130.
   
   
10. Тархов Д.А. Нейронные сети. Модели и алгоритмы. — М.: Радиотехника, 2005. — 243 с.
    
    
11. Уоссерман Д. Нейрокомпьютерная техника: Теория и практика. — М.: Мир, 1992.
    
    
12. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. — М.: "Радио и связь", 1989.
    
    
13. Методы компьютерной обработки изображений / под ред. Сойфера В.А. – 2-е изд., испр. – М.: ФИЗМАТЛИТ, 2003. – 784 с.
    
    
14. Распознавание изображений (источник: газета «Компьютер-Информ») / Портал магистров ДонНТУ, — http://www.masters.donntu.ru/2006/fvti/poltava/library/article5.htm
    
    
15. Афанасенко А.В., «Разработка гибридной специализированной системы распознавания образов на базе нечетких нейронных сетей». [Электронный ресурс] / Портал магистров ДонНТУ, — http://www.masters.donntu.ru/2003/kita/afanasenko/diss/index.htm
    
    
16. Федяев О.И., Фёдоров А.В. Анализ методов контурной сегментации изображения // Сборник материалов четвёртой международной научно-технической конференции студентов, аспирантов и молодых ученых "Інформатика та комп'ютерні технології".- Донецк – ДонНТУ - 2008. – 64-65 с. / Портал магистров ДонНТУ, — http://www.masters.donntu.ru/2010/fvti/fedorov/library/article2.htm
    
    
17. Федяев О.И., Фёдоров А.В. Сравнительный анализ методов контурной сегментации в системах оптического распознавания символов» // Сборник материалов пятой всеукраинской научно-технической конференции студентов, аспирантов и молодых ученых "Комп'ютерний моніторинг та інформаційні технології".- Донецк – ДонНТУ, 2009. – 120-121 с. / Портал магистров ДонНТУ, — http://www.masters.donntu.ru/2010/fvti/fedorov/library/article3.htm
    
    

:: Примечание ::

Автореферат носит обзорный характер и не является полной версией диссертационной работы, т.к. планируется продолжение работы над диссертацией в течение осеннего семестра 2010 г. Окончательное завершение — 1 декабря 2010 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.