Автори зазначені на звороті титульного аркуша

Бібліографія: сторінки 216-233

Вступ.....3
Розділ 1. Інтервальнe оцінювання відеорядів.....7
1.1. Оцінювання параметрів кадрів відеопотоку.....7
1.1.1. Характеристика методів оцінювання.....7
1.1.2. Модифікації методу RANSAC.....10
1.2. Інтервальні оцінки наборів зображень на основі параметрів моделей представлення.....12
1.2.1. Фільтрація набору зображень на основі математичних статистик.....14
1.2.2. Фільтрація набору зображень на основі параметрів енерґетичної теорії лінійних моделей стохастичних сиґналів.....18
1.2.3. Використання параметрів динамічної теорії інформації для організації фільтрації наборів зображень.....19
1.3. Інтервальні оцінки наборів на основі квантування параметрів моделей представлення зображень.....21
1.3.1. Фільтрація набору зображень на основі квантування математичного сподівання.....23
1.3.2. Фільтрація набору зображень на основі квантування параметрів моделей представлення.....26
1.4. Використання частот для організації інтервального оцінювання за параметрами наборів зображень.....27
1.4.1. Фільтрація набору на основі частот параметрів моделей представлення зображень.....27
1.4.2. Частотна фільтрація набору на основі квантування параметрів моделей представлення зображень.....30
1.4.3. Частотна фільтрація набору на основі квантування значень кольору зображень.....33
1.4.4. Частотна фільтрація набору зображень на основі квантування ймовірностей параметрів моделі представлення зображень.....36
1.5. Результати комп’ютерного моделювання.....39
1.5.1. Моделювання фільтрації набору за параметром.....39
1.5.2. Моделювання фільтрації набору на основі квантування параметрів зображень.....40
1.5.3. Моделювання фільтрації набору за частотою параметра.....43
1.5.4. Моделювання частотної фільтрації набору на основі квантування параметрів.....47
1.5.5. Моделювання частотної фільтрації набору на основі квантування ймовірностей параметрів.....50
Розділ 2. Нечітка on-line сегментація та кластеризація.....54
2.1. Кластеризація-сегментація зображень в Data Mining.....54
2.2. Пакетні методи нечіткої сегментації-кластеризації.....54
2.2.1. Імовірнісний підхід.....56
2.2.2. Можливісний підхід.....58
2.3. Адаптивні on-line методи нечіткої ймовірнісної та можливісної кластеризації.....59
2.3.1. Імовірнісний підхід.....59
2.3.2. Можливісний підхід.....60
2.4. Адаптивні on-line методи нечіткої робастної кластеризації.....62
2.4.1. Імовірнісний підхід.....63
2.4.2. Можливісний підхід.....64
2.4.3. Робастний рекурентний метод нечіткої кластеризації з “придушенням викидів”.....65
2.5. Адаптивна нечітка кластеризація та сегментація часових послідовностей.....67
Розділ 3. Адаптивні методи прогнозування та сегментації часових послідовностей та зображень.....77
3.1. Робастні методи прогнозування та сегментації нестаціонарних часових послідовностей.....77
3.1.1. Робастні критерії для задач прогнозування та сегментації.....78
3.1.2. Робастний алгоритм навчання гібридного подвійного вейвлет-нейрона.....82
3.1.3. Робастний алгоритм навчання складеного адаптивного вейвлона.....87
3.1.4. Робастний алгоритм навчання адаптивної нейро-фаззі системи та гібридних вейвлет-нейро-фаззі систем.....95
3.2. Нечітка сегментація зображень.....105
Розділ 4. Адаптивна нейро-фаззі сегментація-кластеризація.....117
4.1. Самоорганізовні мапи Кохонена.....117
4.2. Модифікована мапа Кохонена.....124
4.3. Нейро-фаззі самоорганізовні мапи.....127
4.4. Нечіткі BSB-моделі в задачах кластеризації.....135
4.5. Автоасоціативна пам’ять на основі нечітких базисних функцій.....143
Розділ 5. Просторово-часова сегментація відеорядів.....150
5.1. Моделі сегментації відеорядів на основі багатовимірних часових рядів.....150
5.2. Виявлення змін в потоках відеоданих на основі VAR моделей та експоненційного згладжування.....156
5.3. Виявлення зміни властивостей багатовимірних часових рядів на основі аналізу головних компонент.....169
5.5. Методи прогнозування при розв’язанні задачі сегментації відео.....173
Розділ 6. Ідентифікація та супровід рухомих об’єктів в online режимі.....179
6.1. Сегментація об’єктів та вилучення фону.....179
6.1.1. Модифікація адаптивного методу сегментації, що ґрунтується на суміші гауссіанів.....179
6.1.2. Адаптивний метод сегментації, що ґрунтується на вибірково-оновленій моделі фону.....183
6.2. Морфологічна обробка бінарних масок кадрів.....185
6.2.1. Базові операції математичної морфології.....185
6.2.2. Рекурсивний алгоритм обробки бінарної маски оператором умовної ерозії.....186
6.2.3. Рекурсивний алгоритм обробки бінарної маски оператором умовного нарощування.....188
6.3. Модель появи об’єктів із врахуванням зміни їх форми.....190
6.3.1. Пошук положення об’єкта.....191
6.3.2. Визначення умов належності.....192
6.4. Супровід несепарованих об’єктів з урахуванням напряму руху.....194
6.4.1. Детектування часткових перетинів.....194
6.4.2. Кластеризація опорних точок на основі їхніх векторів руху.....195
6.4.3. Фрагментація і побудова траєкторій об’єктів.....196
Розділ 7. Багатокамерний супровід рухомих об’єктів.....200
7.1. Повторна ідентифікація об’єктів у мережах камер.....200
7.2. Адаптивне оновлення ознак подібності.....204
7.2.1. Визначення множин мір і вагових коефіцієнтів подібності.....204
7.2.2. Оновлення часу переміщення та визначення повної міри подібності.....204
7.3. Супровід об’єктів під час їх перебування у зонах перетину полів зору мережі камер відеоспостереження.....206
7.4. Супровід об’єктів у “сліпих зонах” мережі камер відеоспостереження.....212
7.5. Класифікація рухомих об’єктів.....213
7.5.1. Модель геометричної форми об’єкта.....213
7.5.2. Класифікаційна метрика на основі шаблонів форми.....214
Список літератури.....216

Запропоновано нові підходи та методи обчислювального інтелекту на основі гібридизації відомих напрямів та надання їм адаптивних властивостей, що дає можливість обробляти послідовності даних у формі багатовимірних часових рядів великої розмірності або потоків відео, що надходять на опрацювання або з зовнішнього середовища, або із надвеликих баз даних (VLDB) (концепція Big Data) у режимі реального часу.
Розглянуто автоматичні методи сегментації кадрів відопотоку, ідентифікації руху та відслідковування рухомих об’єктів у відеопотоках для розв’язання сучасних прикладних задач, які ґрунтуються на концепції Computer Vision.
Для наукових працівників, інженерів, аспірантів і студентів, що займаються технологіями в області обчислювального інтелекту. Корисною книга буде також для студентів, магістрів, аспірантів, які спеціалізуються в галузі систем штучного інтелекту.