GEOMETRIK OBYEKTLARNI TANIB OLISHDA HAAR KASKAD VA CNN USULLARI ASOSIDA KOMBINATSIYALANGAN ALGORTIM

Annotasiya. Maqolada video oqim tahlilining aniqligi va mustahkamligini oshirish uchun Haar kaskadi va konvolyutsion neyron tarmoqlarini (CNN) birlashtirgan geometrik obyektni aniqlash uchun gibrid algoritm taqdim etilgan. Taklif etilayotgan yondashuv kadrdagi obyektni qayta tiklash uchun zarur bo‘lgan asosiy geometrik shakllarni tez va ishonchli ajratib olishni talab qiladigan video modellashtirish tizimlariga qaratilgan. Usul Haar detektorlarining yuqori tezligini CNNlarning moslashuvchan imkoniyatlari bilan birlashtiradi, bu esa hisoblash uchun oldindan filtrlash va yuqori aniqlikdagi tasniflashni ta’minlaydi. Eksperimental natijalar dinamik shovqin va shakl deformatsiyalarini o‘z ichiga olgan murakkab video ma’lumotlarida aniqlikning yaxshilanganligini ko‘rsatadi. Natijalar gibrid algoritmni real vaqtdagi kompyuter ko‘rish va video modellashtirish tizimlarida qo‘llash mumkinligini ko‘rsatadi. Abstract. This paper presents a hybrid algorithm for geometric object recognition that combines a Haar cascade and convolutional neural networks (CNNs) to improve the accuracy and robustness of video stream analysis. The proposed approach is targeted at video modeling systems that require fast and reliable extraction of basic geometric shapes necessary for subsequent scene and object reconstruction. The method combines the high speed of Haar detectors with the adaptive capabilities of CNNs, enabling both computationally inexpensive pre-filtering and highly accurate classification. Experimental results demonstrate improved accuracy on complex video data containing noise, dynamic interference, and shape deformations. The results demonstrate that the hybrid algorithm can be used in real-world computer vision and video modeling systems. Аннотация. В статье представлен комбинированный алгоритм распознавания геометрических объектов, объединяющий каскад Хаара и сверточные нейронные сети (CNN) с целью повышения точности и устойчивости анализа видеопотока. Предложенный подход ориентирован на системы моделирования видео, где требуется быстрое и надежное выделение базовых геометрических форм, необходимых для последующей реконструкции сцен и объектов. Метод сочетает высокую скорость детекторов Хаара с адаптивными возможностями CNN, что позволяет одновременно обеспечить дешёвую по вычислениям предварительную фильтрацию и высокоточную классификацию. Экспериментальные результаты демонстрируют улучшение показателей точности на сложных видеоданных, содержащих шум, динамические помехи и деформации форм. Результаты показывают, что комбинированный алгоритм может использоваться в реальных системах компьютерного зрения и видеомоделирования.

Перевод пока недоступен