مخطط التعرف على الأشياء

📅 آخر تحديث: ٢٣ يوليو ٢٠٢٦
✍️ نُشر في: ٢٣ يوليو ٢٠٢٦
📷 يحتوي على 1 صور
الموسوعة الحرة

يصور هذا الرسم التوضيحي تطورًا من سمكة إلى امرأة، ويعرض مراحل انتقالية تتحدى حدود التصنيف، مؤكدًا على الحالات السائلة.
يوضح هذا الرسم التوضيحي أنه في حين أن بعض الصور يسهل التعرف عليها، إلا أن البعض الآخر يصعب تصنيفه.

التعرف على الأشياء - تقنية في مجال رؤية الحاسوب تُستخدم للعثور على الأشياء وتحديدها في الصور أو مقاطع الفيديو. يستطيع البشر التعرف على العديد من الأشياء في الصور بسهولة، على الرغم من اختلاف صورها باختلاف زوايا الرؤية، وأحجامها، ومقاييسها، أو حتى عند تحريكها أو تدويرها. بل يمكن التعرف على الأشياء حتى عندما تكون محجوبة جزئيًا عن مجال الرؤية. لا تزال هذه المهمة تشكل تحديًا لأنظمة رؤية الحاسوب. تُستخدم خوارزميات مطابقة الأنماط بشكل شائع كمعيار لتحديد الأجزاء في صور الفحص، إلا أن هذه الخوارزميات تتطلب حسابات رياضية معقدة. وقد طُبقت العديد من المناهج لحل هذه المشكلة على مدى عقود.

الأساليب القائمة على نماذج الكائنات الشبيهة ببرامج التصميم بمساعدة الحاسوب

التعرف على الأجزاء

الأساليب القائمة على المظهر

  • استخدم صورًا نموذجية (تسمى قوالب أو أمثلة) للأشياء لإجراء عملية التعرف.
  • تبدو الأشياء مختلفة في ظل ظروف متباينة:
    • تغيرات في الإضاءة أو اللون
    • تغييرات في اتجاه الرؤية
    • تغييرات في الحجم/الشكل
  • من غير المرجح أن ينجح نموذج واحد بشكل موثوق. ومع ذلك، من المستحيل تمثيل جميع مظاهر الشيء.

مطابقة الحواف

  • يستخدم تقنيات الكشف عن الحواف، مثل تقنية كاني للكشف عن الحواف ، للعثور على الحواف.
  • لا تؤثر التغييرات في الإضاءة واللون عادةً بشكل كبير على حواف الصورة
  • الاستراتيجية:
    1. اكتشاف الحواف في القالب والصورة
    2. قارن صور الحواف للعثور على القالب
    3. يجب مراعاة نطاق المواضع المحتملة في القالب
  • القياسات:
    • جيد – احسب عدد الحواف المتداخلة. غير متين في مواجهة تغيرات الشكل
    • الأفضل – احسب عدد وحدات البكسل الموجودة على حافة القالب والتي تبعد مسافة معينة عن حافة في صورة البحث
    • الأفضل – تحديد التوزيع الاحتمالي للمسافة إلى أقرب حافة في صورة البحث (إذا كان القالب في الموضع الصحيح). تقدير احتمالية توليد كل موضع قالب للصورة
  • الاستراتيجية:
    • اعتبر جميع المواضع كمجموعة (خلية في فضاء المواضع)
    • حدد الحد الأدنى للنتيجة في أفضل موضع في الخلية
    • إذا كان حجم الخلية كبيرًا جدًا، فقم بتقليص حجمها.
    • إذا لم يكن الحد كبيرًا جدًا، قسّم الخلية إلى خلايا فرعية وجرّب كل خلية فرعية بشكل متكرر.
    • تتوقف العملية عندما تصبح الخلية "صغيرة بما يكفي".
  • بخلاف البحث متعدد الدقة، تضمن هذه التقنية العثور على جميع التطابقات التي تستوفي المعيار (بافتراض أن الحد الأدنى دقيق).
  • إيجاد الحدود:
    • لإيجاد الحد الأدنى لأفضل نتيجة، انظر إلى النتيجة الخاصة بموضع القالب الذي يمثله مركز الخلية
    • اطرح أقصى تغيير من موضع "المركز" لأي موضع آخر في الخلية (يحدث ذلك عند زوايا الخلية)
  • تنشأ التعقيدات من تحديد حدود المسافة

مطابقة تدرجات الرمادي

  • تتميز الحواف (في الغالب) بمقاومتها لتغيرات الإضاءة، إلا أنها تتخلص من الكثير من المعلومات.
  • يجب حساب مسافة البكسل كدالة لكل من موضع البكسل وشدة البكسل
  • يمكن تطبيقه على الألوان أيضاً

مطابقة التدرج

  • هناك طريقة أخرى لتكون الصورة قوية في مواجهة تغيرات الإضاءة دون فقدان الكثير من المعلومات، وهي مقارنة تدرجات الصورة.
  • تتم عملية المطابقة كما هو الحال في مطابقة الصور الرمادية
  • بديل بسيط: استخدم الارتباط (المُعَيَّر)

رسوم بيانية لتوزيع استجابات المجال الاستقبالي

  • يتجنب تحديد نقاط التطابق الصريحة
  • العلاقات بين نقاط الصورة المختلفة المشفرة ضمنيًا في استجابات المجال الاستقبالي
  • Swain and Ballard (1991), [ 2 ] Schiele and Crowley (2000), [ 3 ] Linde and Lindeberg (2004, 2012) [ 4 ] [ 5 ]

قواعد نماذج كبيرة

  • إحدى طرق البحث الفعال في قاعدة البيانات عن صورة معينة هي استخدام المتجهات الذاتية للقوالب (تسمى الوجوه الذاتية ).
  • قواعد النماذج هي مجموعة من النماذج الهندسية للأشياء التي ينبغي التعرف عليها

الأساليب القائمة على الميزات

  • يتم استخدام البحث للعثور على تطابقات ممكنة بين ميزات الكائن وميزات الصورة .
  • القيد الأساسي هو أن موضعًا واحدًا للكائن يجب أن يفسر جميع التطابقات الممكنة.
  • الأساليب التي تستخرج الميزات من الكائنات المراد التعرف عليها والصور المراد البحث فيها.
    • بقع سطحية
    • الزوايا
    • حواف خطية

أشجار التفسير

  • تتمثل إحدى طرق البحث عن التطابقات الممكنة في البحث من خلال شجرة.
  • تمثل كل عقدة في الشجرة مجموعة من التطابقات.
    • تمثل العقدة الجذرية مجموعة فارغة
    • كل عقدة أخرى هي اتحاد التطابقات في العقدة الأصلية وتطابق إضافي واحد.
    • يُستخدم الرمز البديل للميزات التي لا يوجد لها تطابق
  • يتم "تقليم" العقد عندما تكون مجموعة التطابقات غير ممكنة.
    • العقدة المقصوصة ليس لها أبناء
  • ذات أهمية تاريخية ولا تزال مستخدمة، ولكن بشكل أقل شيوعًا

افترض واختبر

  • الفكرة العامة:
    • افترض وجود علاقة بين مجموعة من خصائص الصورة ومجموعة من خصائص الكائن
    • ثم استخدم هذا لتوليد فرضية حول الإسقاط من إطار إحداثيات الكائن إلى إطار الصورة
    • استخدم فرضية الإسقاط هذه لإنشاء صورة للكائن. تُعرف هذه الخطوة عادةً باسم الإسقاط العكسي.
    • قارن بين الرسم التوضيحي والصورة، وإذا كان الاثنان متشابهين بدرجة كافية، فاقبل الفرضية.
  • الحصول على الفرضية:
    • توجد طرق متنوعة ومختلفة لتوليد الفرضيات.
    • عندما تكون المعلمات الجوهرية للكاميرا معروفة، فإن الفرضية تعادل موضعًا واتجاهًا افتراضيين - وضعية - للكائن.
    • استخدم القيود الهندسية
    • قم بإنشاء علاقة بين مجموعات صغيرة من خصائص الكائن وكل مجموعة فرعية من نقاط الصورة ذات الحجم الصحيح. (هذه هي الفرضيات)
  • ثلاثة مناهج أساسية:
    • استخلاص الفرضيات من خلال اتساق الوضعية
    • الحصول على الفرضيات عن طريق تجميع الوضعيات
    • استخلاص الفرضيات باستخدام الثوابت
  • البحث عن المصروفات هو أيضاً عملية زائدة عن الحاجة، ولكن يمكن تحسينها باستخدام العشوائية و/أو التجميع.
    • التوزيع العشوائي
      • فحص مجموعات صغيرة من خصائص الصورة حتى يصبح احتمال فقدان الكائن ضئيلاً
      • بالنسبة لكل مجموعة من ميزات الصورة، يجب مراعاة جميع مجموعات ميزات النموذج المطابقة الممكنة.
      • صيغة:
        (1 – W c ) k = Z
        • W = نسبة نقاط الصورة "الجيدة" (w ~ m/n)
        • ج = عدد المراسلات اللازمة
        • k = عدد المحاولات
        • Z = احتمال استخدام كل تجربة لتطابق واحد (أو أكثر) غير صحيح
    • التجميع
      • إذا استطعنا تحديد مجموعات النقاط التي من المحتمل أن تأتي من نفس الجسم، فيمكننا تقليل عدد الفرضيات التي يجب فحصها

اتساق الوضعية

  • ويُطلق عليه أيضاً اسم المحاذاة، لأن الكائن تتم محاذاته مع الصورة.
  • لا توجد علاقات مستقلة بين خصائص الصورة وخصائص النموذج – القيود الهندسية
  • عدد قليل من التطابقات يُحدد موقع الكائن – يجب أن تكون التطابقات الأخرى متسقة مع هذا الموقع.
  • الفكرة العامة:
    • إذا افترضنا وجود تطابق بين مجموعة كبيرة بما فيه الكفاية من ميزات الصورة ومجموعة كبيرة بما فيه الكفاية من ميزات الكائن، فيمكننا استعادة معلمات الكاميرا المفقودة من هذا الافتراض (وبالتالي عرض بقية الكائن).
  • الاستراتيجية:
    • توليد الفرضيات باستخدام عدد قليل من التطابقات (مثل ثلاثيات النقاط للتعرف ثلاثي الأبعاد)
    • قم بإسقاط ميزات النموذج الأخرى على الصورة ( الإسقاط العكسي ) وتحقق من التطابقات الإضافية
  • استخدم أقل عدد ممكن من التطابقات اللازمة لتحقيق أوضاع منفصلة للأجسام.

تجميع الوضعيات

  • الفكرة العامة:
    • يؤدي كل عنصر إلى العديد من مجموعات التطابقات الصحيحة، ولكل منها نفس الوضعية تقريبًا.
    • صوّت على الوضعية. استخدم مصفوفة تراكمية تمثل مساحة الوضعية لكل كائن.
    • هذا في الأساس تحويل هوف
  • الاستراتيجية:
    • لكل كائن، قم بإعداد مصفوفة تراكمية تمثل مساحة الوضع - كل عنصر في المصفوفة التراكمية يتوافق مع "حاوية" في مساحة الوضع.
    • ثم خذ كل مجموعة إطارات صورة، وافترض وجود تطابق بينها وبين كل مجموعة إطارات على كل كائن
    • لكل من هذه المراسلات، حدد معلمات الوضع وقم بإضافة مدخل في مصفوفة التجميع للكائن الحالي عند قيمة الوضع.
    • إذا كان هناك عدد كبير من الأصوات في مصفوفة التجميع الخاصة بأي كائن، فيمكن تفسير ذلك على أنه دليل على وجود هذا الكائن في تلك الوضعية.
    • يمكن التحقق من الأدلة باستخدام طريقة التحقق
  • لاحظ أن هذه الطريقة تستخدم مجموعات من المراسلات، بدلاً من المراسلات الفردية.
    • التنفيذ أسهل، لأن كل مجموعة تنتج عددًا صغيرًا من أوضاع الجسم الممكنة.
  • تحسين
    • يمكن تحسين مقاومة هذه الطريقة للتشويش عن طريق عدم احتساب الأصوات للأشياء في الأوضاع التي يكون فيها التصويت غير موثوق به بشكل واضح.
    § على سبيل المثال، في الحالات التي يكون فيها الكائن في تلك الوضعية، ستكون مجموعة إطار الكائن غير مرئية.
    • هذه التحسينات كافية لإنتاج أنظمة عاملة

الثبات

  • توجد خصائص هندسية ثابتة بغض النظر عن تحويلات الكاميرا
  • يُعدّ هذا الأسلوب سهل التطوير بالنسبة لصور الأجسام المستوية، ولكنه قابل للتطبيق على حالات أخرى أيضاً.

التجزئة الهندسية

  • خوارزمية تستخدم الثوابت الهندسية للتصويت على فرضيات الكائنات
  • على غرار تجميع الوضعيات، ولكن بدلاً من التصويت على الوضعية، نقوم الآن بالتصويت على الهندسة.
  • تقنية طُوِّرت في الأصل لمطابقة السمات الهندسية (المناظر الأفينية غير المعايرة للنماذج المستوية) مع قاعدة بيانات لهذه السمات
  • يستخدم على نطاق واسع في مطابقة الأنماط، والتصميم بمساعدة الحاسوب/التصنيع بمساعدة الحاسوب، والتصوير الطبي.
  • من الصعب اختيار حجم الدلاء
  • من الصعب تحديد معنى "كافٍ" بدقة. لذا، قد يكون هناك خطر من أن تمتلئ الطاولة عن آخرها.

تحويل الميزات الثابتة المقياس (SIFT)

  • يتم أولاً استخراج النقاط الرئيسية للأشياء من مجموعة من الصور المرجعية وتخزينها في قاعدة بيانات.
  • يتم التعرف على الكائن في صورة جديدة من خلال مقارنة كل ميزة من الصورة الجديدة بشكل فردي مع قاعدة البيانات هذه وإيجاد ميزات مطابقة مرشحة بناءً على المسافة الإقليدية لمتجهات ميزاتها.
  • لو (2004) [ 6 ] [ 7 ]

ميزات قوية مُسرّعة (SURF)

  • كاشف ووصف صور قوي
  • النسخة القياسية أسرع بعدة مرات من SIFT، ويدعي مؤلفوها أنها أكثر قوة في مواجهة تحويلات الصور المختلفة من SIFT
  • استنادًا إلى مجموع استجابات موجات هار ثنائية الأبعاد التقريبية ، تم استخدام الصور التكاملية بكفاءة.
  • باي وآخرون (2008) [ 8 ]

تمثيلات حقيبة الكلمات

الخوارزمية الجينية

تستطيع الخوارزميات الجينية العمل دون معرفة مسبقة بمجموعة بيانات معينة، كما يمكنها تطوير إجراءات التعرف دون تدخل بشري. وقد حقق مشروع حديث دقة بنسبة 100% على مجموعات بيانات صور الدراجات النارية والوجوه والطائرات والسيارات المرجعية من معهد كاليفورنيا للتكنولوجيا، ودقة بنسبة 99.4% على مجموعات بيانات صور أنواع الأسماك. [ 9 ] [ 10 ]

مناهج أخرى

التطبيقات

تتضمن أساليب التعرف على الأشياء التطبيقات التالية:

استطلاعات الرأي

  • دانييليدس وإكلونده، إيدلمان.
  • روث، بيتر م. ووينتر، مارتن (2008). "مسح للأساليب القائمة على المظهر للتعرف على الأشياء" (ملف PDF) . تقرير فني . ICG-TR-01/08. مؤرشف من الأصل (ملف PDF) بتاريخ 21-09-2015 . تم الاطلاع عليه بتاريخ 26-02-2016 .

انظر أيضاً

القوائم

ملحوظات

  1. ↑ راهيش موهان وراكامانت نيفاتيا (1992). "التنظيم الإدراكي لتجزئة المشهد ووصفه" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 14 (6): 616. Bibcode : 1992ITPAM..14..616M . doi : 10.1109/34.141553 .
  2. ↑ سوين، مايكل جيه؛ بالارد، دانا إتش. (1991-11-01). "فهرسة الألوان". المجلة الدولية لرؤية الحاسوب . 7 (1): 11-32 . doi : 10.1007/BF00130487 . ISSN 1573-1405 . S2CID 8167136 .  
  3. ↑ شيل، بيرنت؛ كراولي، جيمس ل. (2000-01-01). "التعرف بدون تطابق باستخدام مدرجات المجال الاستقبالي متعدد الأبعاد". المجلة الدولية لرؤية الحاسوب . 36 (1): 31-50 . doi : 10.1023/A:1008120406972 . ISSN 1573-1405 . S2CID 2551159 .  
  4. ↑ ليندي، أو.؛ ​​لينديبيرغ، ت. (2004). "التعرف على الأشياء باستخدام مخططات المجال الاستقبالي المركبة ذات الأبعاد الأعلى". وقائع المؤتمر الدولي السابع عشر للتعرف على الأنماط، 2004. ICPR 2004. الصفحات 1-6، المجلد 2. doi : 10.1109/ICPR.2004.1333965 . ISBN  0-7695-2128-2.
  5. ↑ أ. ليندي؛ ت. لينديبيرغ (2012). "مخططات التوزيع التكراري للإشارات المركبة: دراسة لمحتوى المعلومات في واصفات الصور القائمة على مجال الاستقبال للتعرف على الأشياء" . رؤية الحاسوب وفهم الصور . 116 (4): 538-560 . doi : 10.1016/j.cviu.2011.12.003 .
  6. ↑ لوي، ديفيد ج. (2004). "ميزات الصورة المميزة من النقاط الرئيسية الثابتة المقياس". المجلة الدولية لرؤية الحاسوب . 60 (2): 91-110 . doi : 10.1023/B:VISI.0000029664.99615.94 .
  7. ↑ ليندبيرغ، توني (2012). "تحويل الميزات غير المتغيرة المقياس" . موسوعة سكولاربيديا . 7 (5) 10491. رمز Bibcode : 2012SchpJ...710491L . doi : 10.4249/scholarpedia.10491 .
  8. ↑ باي، هربرت؛ إيس، أندرياس؛ تويتيلارز، تين؛ فان غول، لوك (2008). "ميزات قوية مُسرّعة (SURF)". رؤية الحاسوب وفهم الصور . 110 (3): 346-359 . CiteSeerX 10.1.1.205.738 . doi : 10.1016/j.cviu.2007.09.014 . S2CID 14777911 .  
  9. ↑ "خوارزمية جديدة للتعرف على الأشياء تتعلم أثناء التشغيل" . Gizmag.com. 20 يناير 2014. تم الاطلاع عليه بتاريخ 21 يناير 2014 .
  10. ↑ ليليوايت، ك.؛ لي، دي جيه؛ تيبتس، ب.؛ أرشيبالد، ج. (2013). "طريقة بناء الميزات للتعرف العام على الأشياء". التعرف على الأنماط . 46 (12): 3300. Bibcode : 2013PatRe..46.3300L . doi : 10.1016/j.patcog.2013.06.002 .
  11. ↑ براون، ماثيو، وديفيد ج. لوي. " التعرف على الأجسام ثلاثية الأبعاد وإعادة بنائها دون إشراف في مجموعات بيانات غير مرتبة ." التصوير الرقمي ثلاثي الأبعاد والنمذجة، 2005. 3DIM 2005. المؤتمر الدولي الخامس. IEEE، 2005.
  12. أوليفا ، أود؛ تورالبا، أنطونيو ( 2007). "دور السياق في التعرف على الأشياء" (ملف PDF) . اتجاهات في العلوم المعرفية . 11 (12): 520-527 . doi : 10.1016/j.tics.2007.09.009 . PMID 18024143 . 
  13. 1 2 تشنشينغ نيو؛ غانغ هوا؛ شينبو غاو؛ تشي تيان (2012). "نموذج موضوعي مدرك للسياق للتعرف على المشاهد". مؤتمر IEEE لعام 2012 حول رؤية الحاسوب والتعرف على الأنماط . الصفحات 2743-2750 . doi : 10.1109/CVPR.2012.6247997 . ISBN  978-1-4673-1228-8.
  14. ↑ شتاين، ف.؛ ميديوني، ج. (1992). "الفهرسة الهيكلية: التعرف الفعال على الأجسام ثلاثية الأبعاد" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 14 (2): 125-145 . Bibcode : 1992ITPAM..14..125S . doi : 10.1109/34.121785 .
  15. ↑ مامفورد، ديفيد؛ تشو، سونغ-تشون (2006). "قواعد نحوية عشوائية للصور" . أسس واتجاهات في رسومات الحاسوب والرؤية . 2 (4): 259-362 . doi : 10.1561/0600000018 .
  16. ↑ نايار، شري ك.؛ بول، رود م. (1996). "التعرف على الأشياء بناءً على الانعكاس". المجلة الدولية لرؤية الحاسوب . 17 (3): 219-240 . doi : 10.1007/BF00128232 .
  17. ↑ وورثينجتون، ب. ل.؛ هانكوك، إ. ر. (2001). "التعرف على الأشياء باستخدام استخلاص الشكل من التظليل" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 23 (5): 535-542 . رمز Bibcode : 2001ITPAM..23..535W . doi : 10.1109/34.922711 .
  18. ↑ شوتون، جيمي؛ وين، جون؛ روثر، كارستن؛ كريمينيسي، أنطونيو (2009). "TextonBoost لفهم الصور: التعرف على الكائنات متعددة الفئات وتجزئتها من خلال نمذجة النسيج والتخطيط والسياق بشكل مشترك" . المجلة الدولية لرؤية الحاسوب . 81 : 2-23 . doi : 10.1007/s11263-007-0109-1 .
  19. ↑ "رؤية روبوتية أفضل" . KurzweilAI . تم الاطلاع عليه بتاريخ 9 أكتوبر 2013 .
  20. ↑ دوناهو، جيف؛ هندريكس، ليزا آن؛ روهرباخ، ماركوس؛ فينوجوبالان، سوبهاشيني؛ جواداراما، سيرجيو؛ ساينكو، كيت؛ داريل، تريفور (2017). "شبكات الالتفاف المتكررة طويلة المدى للتعرف البصري والوصف" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 39 (4): 677-691 . Bibcode : 2017ITPAM..39..677D . doi : 10.1109/TPAMI.2016.2599174 . PMID: 27608449 . 
  21. ↑ كارباثي، أندريه؛ فاي-فاي، لي (2017). "مواءمات بصرية-دلالية عميقة لتوليد أوصاف الصور" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 39 (4): 664-676 . Bibcode : 2017ITPAM..39..664K . doi : 10.1109/TPAMI.2016.2598339 . PMID: 27514036 . 
  22. ↑ ب. دويغولو؛ ك. بارنارد؛ ن. دي فريتياس؛ د. فورسيث (2002). "التعرف على الأشياء كترجمة آلية: تعلم معجم لمفردات صور ثابتة" . وقائع المؤتمر الأوروبي حول رؤية الحاسوب . ص 97-112 . مؤرشف من الأصل بتاريخ 5 مارس 2005. 
  23. ↑ "رؤية الكمبيوتر في نظام أندرويد" .مارثا ج. فرح، " العجز البصري "، رؤية الحاسوب، الحوسبة، علم الأعصاب الإدراكي، مطبعة معهد ماساتشوستس للتكنولوجيا، 1 مايو 2011، الصفحات 760-781، الرقم الدولي الموحد للدوريات 1468-4233
  24. ↑ إستيفا، أندريه؛ كوبريل، بريت؛ نوفوا، روبرتو أ.؛ كو، جاستن؛ سويتر، سوزان م.؛ بلاو، هيلين م.؛ ثرون، سيباستيان (2017). "تصنيف سرطان الجلد بمستوى أطباء الجلد باستخدام الشبكات العصبية العميقة" (ملف PDF) . مجلة نيتشر . 542 (7639): 115-118 . Bibcode : 2017Natur.542..115E . doi : 10.1038 / nature21056 . PMC 8382232. PMID 28117445 .  
  25. ↑ براون؛ لوي (2003). "التعرف على الصور البانورامية" (ملف PDF) . وقائع المؤتمر الدولي التاسع لمعهد مهندسي الكهرباء والإلكترونيات حول رؤية الحاسوب . الصفحات 1218-1225، المجلد 2. doi : 10.1109/ICCV.2003.1238630 . ISBN  0-7695-1950-4تمت أرشفة هذا الملف من النسخة الأصلية (PDF) بتاريخ 25 ديسمبر 2014.
  26. ↑ Li, L., Guo, B., and Shao, K., “ Geometrically robust image watermarking using scale-invariant feature transform and Zernike moments ,” Chinese Optics Letters, Volume 5, Issue 6, pp. 332-335, 2007.
  27. ↑ سي، إس.؛ لوي، دي جي؛ ليتل، جيه جيه (2005). "تحديد الموقع ورسم الخرائط العالميين للروبوتات المتنقلة باستخدام الرؤية" (ملف PDF) . معاملات IEEE في مجال الروبوتات . 21 (3): 364-375 . Bibcode : 2005ITRob..21..364S . doi : 10.1109/TRO.2004.839228 .
  28. ↑ سير، توماس؛ ريزنهوبر، ماكسيميليان؛ لوي، جينيفر؛ بوجيو، توماسو (2002). "حول دور السمات الخاصة بالكائنات في التعرف على كائنات العالم الحقيقي في الرؤية البيولوجية" (ملف PDF) . الرؤية الحاسوبية المستوحاة بيولوجيًا . سلسلة محاضرات في علوم الحاسوب. المجلد 2525. الصفحات 387-397 . doi : 10.1007/3-540-36181-2_39 . ISBN   978-3-540-00174-4.
  29. ↑ بيرمالوف، آن؛ غرافتون، كارل (1992). " التعرف الضوئي على الأحرف". PS: العلوم السياسية والسياسة . 25 (3): 523-531 . doi : 10.2307/419444 . ISSN 1049-0965 . JSTOR 419444. S2CID 64806776 .   
  30. ↑ كريستيان ديمانت، بيرند سترايشر-أبيل، بيتر واسزكويتز، "معالجة الصور الصناعية: مراقبة الجودة البصرية في التصنيع" ملخص التعرف على الأشياء على كتب جوجل
  31. ↑ فاسكونسيلوس، ن. (2001). "فهرسة الصور باستخدام التسلسلات الهرمية المختلطة" (ملف PDF) . وقائع مؤتمر جمعية مهندسي الكهرباء والإلكترونيات (IEEE) لعام 2001 حول رؤية الحاسوب والتعرف على الأنماط. CVPR 2001. المجلد 1. doi : 10.1109/CVPR.2001.990449 . ISBN  0-7695-1272-0تمت أرشفة هذا الملف من النسخة الأصلية (PDF) بتاريخ 18 يناير 2011.
  32. ↑ هيكيلّا، يان؛ سيلفين، أولي (2004). "نظام في الوقت الحقيقي لمراقبة راكبي الدراجات والمشاة". الحوسبة المرئية والصور . 22 (7): 563-570 . doi : 10.1016/j.imavis.2003.09.010 .
  33. ↑ جونغ، هو جي؛ كيم، دونغ سوك؛ يون، بال جو؛ كيم، جاي هي (2006). "التعرف على علامات أماكن وقوف السيارات باستخدام تحليل البنية لنظام وقوف السيارات شبه الآلي". في: يونغ، ديت يان؛ كوك، جيمس تي؛ فريد، آنا؛ رولي، فابيو؛ دي ريدر، ديك (محررون). التعرف على الأنماط البنيوية والنحوية والإحصائية . سلسلة محاضرات في علوم الحاسوب. المجلد 4109. برلين، هايدلبرغ: سبرينغر. الصفحات 384-393 . doi : 10.1007/11815921_42 . ISBN   978-3-540-37241-7.
  34. ↑ نايار، إس كيه؛ موراس، إتش؛ نيني، إس إيه (1994). "تعلم وتحديد وتتبع المظهر المرئي" (ملف PDF) . وقائع المؤتمر الدولي لهندسة الروبوتات والأتمتة لعام 1994 التابع لمعهد مهندسي الكهرباء والإلكترونيات . الصفحات 3237-3244 . doi : 10.1109/ROBOT.1994.351072 . ISBN  0-8186-5330-2.
  35. ↑ ليو، ف.؛ غليشر، م.؛ جين، هـ.؛ أغاروالا، أ. (2009). "التشوهات الحافظة للمحتوى لتحقيق استقرار الفيديو ثلاثي الأبعاد". معاملات ACM في الرسومات . 28 (3): 1. CiteSeerX 10.1.1.678.3088 . doi : 10.1145/1531326.1531350 . 

مراجع