Сенсорные системы, 2020, T. 34, № 1, стр. 44-56

Метод линейной регрессии, устойчивый к экстремальным стационарным помехам

Д. А. Бочаров *

Институт проблем передачи информации им. А.А. Харкевича РАН
127051 Москва, Большой Каретный пер., 19, Россия

* E-mail: bocharov.mitry@gmail.com

Поступила в редакцию 30.09.2019
После доработки 15.10.2019
Принята к публикации 29.10.2019

Аннотация

Рассматривается задача двумерной линейной регрессии для зашумленных данных. Последние представляют собой пары координат, возвращаемых пространственно-разрешающим детектором и, помимо аддитивного шума, могут содержать выбросы. В качестве основной модели выбросов рассматриваются стационарные помехи, т.е. координаты выбросов близки к фиксированному, хотя и неизвестному значению. В работе предлагается метод линейной регрессии, устойчивый к наличию экстремальной (с долей более 50% от общего объема данных) стационарной координатной помехе. Метод основан на хаф-анализе двумерной координатной гистограммы входных данных и заключается в последовательной оценке параметров угла наклона и сдвига. Основанный на данном методе алгоритм использован для локализации траекторий движения колес в интеграционном модуле системы автоматической классификации транспортных средств. Проведены эксперименты на реальных и полученных путем имитационного моделирования данных по сравнению точности предложенного метода и М-оценки Уэлша. Показано, что при той же трудоемкости алгоритмы, основанные на предложенном методе, имеют большую точность в задаче оценивания параметров траектории в условиях наличия экстремальных стационарных помех.

Ключевые слова: робастная линейная регрессия, выбросы, детекция объектов, автоматический классификатор транспортных средств

DOI: 10.31857/S0235009220010059

Список литературы

  1. Григорьев А., Гладилин С., Ханипов Т., Коптелов И., Бочаров Д., Мацнев Д. Архитектура системы детекции и классификации автомобилей средствами технического зрения в естественных условиях Сенсорные системы. 2017. Т. 31. № 1. С. 72–84.

  2. Ершов Е., Асватов Е., Николаев Д. Робастная ортогональная линейная регрессия для маломерных гистограмм Сенсорные системы. 2017. Т. 31. № 4. С. 331–342.

  3. Коптелов И., Григорьев А., Ханипов Т., Емельянов С., Николаев Д. Макет автоматического классификатора транспортных средств. ИТиС 2014 ИППИ РАН. 2014. С. 350–356.

  4. Amin A., Fischer S. A document skew detection method using the Hough transform Pattern Analysis & Applications. 2000. T. 3. № 3. C. 243–253.

  5. Baird H.S. The skew angle of printed documents Proceedings of SPSE 40th Symposium of Hybrid Imaging Systems. 1987. C. 739–743.

  6. Bezmaternykh P., Nikolaev D., Arlazarov V. Textual blocks rectification method based on fast Hough transform analysis in identity documents recognition Tenth International Conference on Machine Vision (ICMV 2017). International Society for Optics and Photonics, 2018. T. 10696. C. 1069606.

  7. Grigoryev A., Bocharov D., Terekhin A., Nikolaev D. Vision-based vehicle wheel detector and axle counter, Proc. 29th Europ. Conf. Model. Simulat., 2015. C. 521–526.

  8. Huber P. J. Robust statistics. Springer Berlin Heidelberg, 2011. C. 1248–1251.

  9. Hull J. J. Document image skew detection: Survey and annotated bibliography. Document Analysis Systems II. 1998. C. 40–64.

  10. Khanipov T., Koptelov I., Grigoryev A., Kuznetsova E., Nikolaev D. Vision-based industrial automatic vehicle classifier. Seventh International Conference on Machine Vision (ICMV 2014). International Society for Optics and Photonics, 2015. T. 9445. C. 944511.

  11. Li S., Shen Q., Sun J. Skew detection using wavelet decomposition and projection profile analysis Pattern recognition letters. 2007. T. 28. № 5. C. 555–562.

  12. Limonova E., Bezmaternykh P., Nikolaev D., Arlazarov V. Slant rectification in Russian passport OCR system using fast Hough transform Ninth International Conference on Machine Vision (ICMV 2016). International Society for Optics and Photonics, 2017. T. 10341. C. 103410.

  13. Nikolaev D., Karpenko S., Nikolaev I., Nikolaev P. Hough transform: Understimated tool in the computer vision field, Proc. 22th Europ. Conf. Model. Simulat., 2008. C. 238–246.

  14. Papandreou A., Gatos B. A novel skew detection technique based on vertical projections 2011 International Conference on Document Analysis and Recognition. IEEE, 2011. C. 384–388.

  15. Postl W. Method for automatic correction of character skew in the acquisition of a text original in the form of digital scan results. 1988. Patent No. 4,723,297. U.S.A.

  16. Rousseeuw P. J. Least median of squares regression Journal of the American statistical association. 1984. T. 79. № 388. C. 871–880.

  17. Rousseeuw P. J., Leroy A. M. Robust regression and outlier detection. John wiley & sons, 2005. T. 589.

  18. Rousseeuw P. J., Van Driessen K. Computing LTS regression for large data sets Data mining and knowledge discovery. 2006. T. 12. № 1. C. 29–45.

  19. Srihari S. N., Govindaraju V. Analysis of textual images using the Hough transform Machine vision and Applications. 1989. T. 2. № 3. C. 141–153.

  20. Stahlberg F., Vogel S. Document skew detection based on hough space derivatives 2015 13th International Conference on Document Analysis and Recognition (ICDAR). IEEE, 2015. C. 366–370.

Дополнительные материалы отсутствуют.