Методи класифікації нелінійно змінюваних образів у відеопотоці в умовах складної завадової обстановки

Abstract

UA: У дисертаційній роботі вирішується актуальне науково-технічне завдання підвищення достовірності та ефективності виявлення і класифікації нелінійно змінюваних образів у відеопотоці в умовах впливу зосереджених завад, за допомогою розробки методів, моделей та алгоритмів обробки, векторизації, нейронної класифікації та трекінгу, здатних забезпечувати стабільну роботу в реальному часі та масштабованість до зміни параметрів сцени. Об’єктом дослідження є процес виявлення і класифікації образів у відеопотоці в складних завадових умовах при обмежених обчислювальних можливостях. Предметом дослідження є методи і моделі обробки, детекції, класифікації та трекінгу образів у відеопотоці, спрямовані на підвищення достовірності та ефективності пошуку та розпізнавання образів у відеопотоці в складних завадових умовах. Метою дисертаційної роботи є підвищення точності, стійкості та обчислювальної ефективності виявлення і класифікації нелінійно змінюваних образів у відеопотоці в умовах впливу зосереджених завад, шляхом розробки і впровадження методів і моделей на основі нейронних мереж для застосування на ресурсно обмежених пристроях у режимі реального часу.

EN: The dissertation addresses a relevant scientific and technical problem of improving the reliability and efficiency of detection and classification of nonlinearly varying patterns in video streams under the influence of concentrated interference, through the development of methods, models, and algorithms for processing, vectorization, neural classification, and tracking, capable of ensuring stable real-time operation and scalability to changing scene parameters. The object of research is the process of detecting and classifying patterns in video streams under complex interference conditions with limited computational resources. The subject of research is methods and models for processing, detection, classification, and tracking of patterns in video streams, aimed at improving the reliability and efficiency of search and recognition in adverse environments. The purpose of the dissertation is to enhance the accuracy, robustness, and computational efficiency of detecting and classifying nonlinearly varying patterns in video streams under concentrated interference, through the development and implementation of methods and models based on neural networks, applicable on resource-constrained devices in real-time.