Міхнова Олена Дмитрівна. Модель та метод пошуку ключових кадрів для реферування відеоданих

brief description

Міхнова Олена Дмитрівна. Модель та метод пошуку ключових кадрів для реферування відеоданих.- Дисертація канд. техн. наук: 05.13.23, Харків. нац. ун-т радіоелектроніки. - Харків, 2014.- 147 с.

СОДЕРЖАНИЕ
Перечень условных обозначений, символов, единиц,
сокращений и терминов 4
Введение 5
Раздел 1 Анализ тенденций развития видеореферирования,
существующих методов поиска ключевых кадров и их структуры,
постановка задач исследований 12
1.1 Тенденции развития направления обработки и
реферирования видеоданных 12
1.2 Исследование методов поиска ключевых кадров 19
1.3 Анализ этапов и особенностей поиска ключевых кадров 27
1.4 Постановка задач исследований 35
Выводы по первому разделу 38
Раздел 2 Извлечение ключевых кадров из видеоданных,
представленных с помощью диаграмм Вороного 40
2.1 Выбор опорных точек для построения диаграмм Вороного 40
2.2 Особенности представления содержания видеокадров
с помощью диаграмм Вороного k-го порядка 53
2.3 Сравнение кадров, сегментированных с помощью
диаграмм Вороного 58
2.4 Процедура поиска ключевых кадров 73
Выводы по второму разделу 80
Раздел 3 Оптимизация поиска ключевых кадров 82
3.1 Исследование влияния размера и разрешения на
результаты поиска ключевых кадров 82
3.2 Исследование влияния метода определения границ сцен
на результирующую последовательность ключевых кадров 87
3.3 Анализ скорости поиска ключевых кадров и путей
ее оптимизации 94
Выводы по третьему разделу 101
Раздел 4 Оценка и апробация результатов исследований 103
4.1 Оценка исследуемой процедуры поиска ключевых кадров 103
4.2 Апробация исследуемой процедуры поиска ключевых кадров
на видеоданных нескольких типов 110
4.3 Сравнение предложенного метода с существующими
по результатам поиска ключевых кадров 116
Выводы по четвертому разделу 122
Выводы 124
Список использованных источников 127
Приложение А Акты о внедрении результатов диссертационной
работы и сертификат соответствия УкрСЕПРО 144
ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ,
СОКРАЩЕНИЙ И ТЕРМИНОВ
CBVR - Content-Based Video Retrieval (поиск видео по содержанию).
DCT - Discrete Cosine Transform (дискретное косинусное преобразование).
DVL - Digital Video Library (библиотека цифровых видеороликов).
FAST - Features from Accelerated Segment Test (ускоренный алгоритм поиска опорных точек).
Full HD - стандарт Full High Definition (“полная” высокая четкость) обеспечивает поддержку видеокадров размером 1920x1080 пикселей.
GA - Genetic Algorithm (генетический алгоритм).
GLA - Generalized Lloyd Algorithm (более широко известен как алгоритм кластеризации k-сердних, также в синонимичном значении встречается аббревиатура LBG, алгоритм Linde-Buzo-Gray).
MPEG - Moving Picture Expert Group (рабочая группа экспертов в области динамических изображений, находится в подчинении ISO/IEC); аббревиатура также обозначает набор стандартов и инструментов сжатия видео, разработанный этой группой.
SA - Simmulated Annealing (алгоритм имитации отжига).
SBD - Shot Boundary Detection (обнаружение границ сцен).
SIFT - Scale-invariant Feature Transform (алгоритм масштабно¬инвариантной трансформации признаков).
SURF - Speeded Up Robust Features (расширение алгоритма SIFT).
TS - Tabu Search (алгоритм поиска табу).
TRECVid - деятельность американского института стандартизации NIST (National Institute of Standards and Technology), направленная на оценку разрабатываемых методов анализа видеоданных и способствующая прогрессу в области контекстного анализа видео.
ВВЕДЕНИЕ
Актуальность темы. Расширение объемов видеоданных в глобальной сети, использование камер наблюдения, видеорегистраторов и видеоэндоскопов в различных сферах деятельности обуславливает необходимость разработки принципиально новых методов обработки динамически изменяемых графических данных большого объема. Видеоданные представляют собой наиболее информативный тип мультимедиа, объединяющий графическую, звуковую, а иногда и текстовую информацию. Более того, эта информация постоянно изменяется во времени, что является одной из основных проблем, ведь немаловажное значение имеет скорость обработки видеоданных, которая сильно ухудшается с усложнением процедуры обработки.
К основным направлениям обработки видеоданных относят: сегментацию на объекты и слежение за ними в динамике, архивацию и классификацию по жанрам, индексирование и поиск по запросу, аннотирование и реферирование видео, выявление границ сцен, обнаружение повторов и рекламы. В последнее время актуальными становятся задачи анализа видео с учетом содержания (CBVR - Content Based Video Retrieval), так называемый семантический или высокоуровневый анализ, осуществляемый методами искусственного интеллекта. Однако, при построении систем CBVR возникают сложности, связанные со значительным отрывом традиционных низкоуровневых признаков, используемых для анализа изображений на протяжении последних десятилетий, от высокоуровневого семантического представления содержания видео. Еще одна проблема возникает из-за субъективности восприятия видеоматериала пользователями и объемами этого материала, обработка которого требует пространственно-временной сегментации с учетом множества свойств и наборов признаков.
Несмотря на значительный прогресс в области компьютерного зрения и распознавания образов, связанный с именами таких выдающихся украинских и зарубежных ученых как С.Г. Антощук, Л.Г. Ахметшина, О.Н. Березский, Р.А. Воробель, В.Г. Иванов, Ю.П. Кондратенко, В.Н. Крылов, Н.А. Обухова, Ю.А. Скобцов, Д.Д. Пелешко, Е.П. Путятин, А.Н. Романюк, М.И. Шлезингер, M. Agrawala, K.G. Derpanis, R.M. Haralick, V. Hlavac, J.B.T.M. Roerdink, D. Salesin, D. Schonfeld, P. Soille, M. Sonka, R. Szeliski, по-прежнему сложно найти метод, который бы одинаково эффективно выполнял обработку видео разного жанра, полученного от разных по качеству камер со своими настройками, отснятого с разным ракурсом и освещением. Как правило, каждый метод обработки видео ориентирован на узкий класс задач, например, только на стационарный фон и относительно крупные движущиеся объекты. При этом класс распознаваемых объектов (автомобили, люди, номерные знаки и т. п.) также известен априорно.
Относительно новым направлением обработки видео, особенно для отечественной науки, является статическое и динамическое реферирование. В результате статического реферирования видео пользователь получает стационарные репрезентативные изображения (ключевые кадры), которые характеризуют исходный видеоматериал и наилучшим образом дают представление о нем, тогда как в результате динамического реферирования получается видеоролик, более короткий, чем исходный. Проанализировав существующие зарубежные подходы к поиску ключевых кадров, можно сделать вывод о том, что одни группы подходов успешно извлекают кадры со значительным движением, другие применимы к видео с незначительным изменением фона, третьи целесообразно использовать только для видео с неизменным освещением, иначе значимые кадры могут быть пропущены или, наоборот, извлечены кадры с высоким уровнем корреляции между собой.
Негативное влияние на результат оказывает и тот факт, что число ключевых кадров во многих методах задается априорно, а кадры выбираются из предварительно сегментированного на сцены видеоматериала, ограничивая количество отобранных кадров и устанавливая рамки поиска без учета содержания. Таким образом, актуальной проблемой CBVR является изучение методов поиска ключевых кадров, выявление возможностей повышения качества и ускорения отбора значимых кадров при условии универсальности процедуры для видеоданных различного типа.
Связь работы с научными программами, планами, темами. Диссертационная работа выполнена на кафедре Информатики Харьковского национального университета радиоэлектроники в рамках госбюджетной научно-исследовательской работы: «Эволюционные гибридные системы
вычислительного интеллекта с переменной структурой для интеллектуального анализа данных» (№ ГР 0110U000458, исполнитель), а также хоздоговорной научно-исследовательской работы «Разработка специализированной подсистемы визуального анализа измерительных данных» (№ ГР 0110U004788, исполнитель). В рамках указанных работ соискателем разработана модель представления содержания видеокадров на основе математического аппарата диаграмм Вороного, выработана процедура анализа однотипности содержания видео с помощью интеллектуальной обработки низкоуровневых признаков, процедура сегментации видеокадров на основе диаграмм Вороного высших порядков, метод поиска ключевых кадров, метрики сравнения разбиений Вороного для каждого видеокадра.
Цель и задачи исследований. Цель диссертационной работы заключается в разработке универсальной модели и метода поиска ключевых кадров в разных по содержанию видеоданных, пространственно-временной сегментации видеоданных, интеллектуальной обработки низкоуровневых признаков и анализа содержания видео.
Поставленная цель предполагает решение следующих задач:
- анализ существующих методов обработки динамической визуальной информации и трендов их развития, обеспечивающих базис семантического анализа в плане эффективного поиска ключевых кадров для видеореферирования и поиска видеоматериалов с учетом их содержания;
- разработка модели представления видео аппроксимацией областей, продуцируемых «особыми» точками изображений, которая с учетом преимуществ выделения низкоуровневых признаков на основе опорных точек позволяет на более высоком уровне учитывать «содержание» видеокадров;
- синтез метода обнаружения ключевых кадров в условиях
неоднородного во времени содержания видеопоследовательностей, который должен обеспечивать надежное в аспекте значений мер полноты и точности представление видеосегментов;
- исследование специфики использования предложенной модели и метода, апробация метода поиска ключевых кадров на тестовых видеоколлекциях открытого доступа, решение с его помощью практических задач и внедрение результатов исследований на промышленном предприятии и в учебный процесс.
Объект исследования: процессы контекстной интерпретации
динамической визуальной информации.
Предмет исследования: методы анализа и представления видео с целью реферирования, метрической индексации и поиска в видеоколлекциях.
Методы исследования: математический аппарат диаграмм Вороного использован в целях пространственной сегментации видеокадров, методы оценки цвета, текстуры, формы областей применены для анализа содержания видео, метод Харриса использован для нахождения опорных точек в видеокадрах, алгоритм кластеризации к -средних применен для уточнения местоположения опорных точек, кроме того использованы основные положения теории множеств и математической статистики.
Научная новизна полученных результатов. Научная новизна диссертационной работы заключается в следующем:
- впервые предложена модель представления содержания видеокадров на основе диаграмм Вороного, которая, учитывая все преимущества оперирования с опорными точками на изображениях, позволяет решать задачи сравнения в процессе анализа видеокадров;
- дальнейшее развитие получил метод поиска ключевых кадров, который в отличие от существующих позволяет комплексно учитывать изменение цветовых и текстурных признаков на разбиениях видеокадров, что в свою очередь обеспечивает улучшение значений мер полноты и точности в процессе реферирования видео;
- улучшены методы построения разбиений изображений на основе опорных точек, которые в отличие от существующих за счет кластеризации к - средних и управления порядком диаграмм Вороного повышают надежность и быстродействие метрического поиска.
Практическая значимость полученных результатов. Предложенный метод позволяет выполнить интерпретацию содержания видеокадров с помощью диаграмм Вороного различных порядков. Сравнение разбиений Вороного и поиск ключевых кадров могут использоваться в информационно¬поисковых системах в целях реферирования видео. Метод может быть полезен для организаций с интегрированной системой видеонаблюдения, что позволит ускорить просмотр отснятого в течение многих часов материала, в системах обработки изображений и видео для пространственной сегментации и сравнения материала, поиска повторов и в других связанных задачах. Применение диаграмм Вороного позволило повысить устойчивость разбиений, а в результате и надежность отбора значимых кадров, так как используются не отдельные точки, а области вокруг них. Сами по себе опорные точки дают меньше информации, чем области, кроме того их изменение от кадра к кадру более значительно, к тому же сложно определить, какая именно точка была смещена, а какая осталась на прежнем месте. Диаграммы больше подходят для поиска ключевых кадров и с точки зрения отсутствия необходимости сегментации на объекты, так как до сих пор существуют сложности выделения объектов на видео разного жанра с динамически изменяемым фоном.
Предложенная модель и метод успешно протестированы на видеоколлекциях открытого доступа, в частности Internet Archive, Open Video Project, Movie Content Analysis Project, что подтвердило универсальность их применения. Кроме того, метод поиска ключевых кадров внедрен на предприятии АО «Межрегиональная электроэнергетическая ассоциация «ЭЛТА» в процессе совершенствования и добавления новых функций к ранее разработанной и используемой специализированной подсистеме визуального анализа данных (акт о внедрении от 19.05.2014 г.), что позволило ускорить обработку эндоскопических материалов экспертами и обеспечило возможность подкрепления текущих отчетов изображениями на основе извлеченных ключевых кадров. Научные результаты диссертационных исследований использованы в учебном процессе Харьковского национального университета радиоэлектроники (акт о внедрении от 05.05.2014 г.). Модель представления содержания видеоданных, предложенная в диссертационной работе, реализована программно, один из программных компонентов сертифицирован УкрСЕПРО в рамках системы имитационного моделирования.
Личный вклад соискателя. Все научные результаты, описанные в диссертации, получены соискателем самостоятельно и опубликованы в [26, 31¬34, 65, 66, 110-116, 121]. В работах, написанных в соавторстве, соискателю принадлежит: анализ особенностей обработки мультимедиа данных [31], усовершенствование метода Харриса для размещения опорных точек в видеокадрах [110], оценка результатов поиска ключевых кадров с помощью мер полноты и точности и анализ возможностей оптимизации поиска ключевых кадров [112], анализ существующих подходов к поиску границ сцен [121], метод поиска ключевых кадров с помощью диаграмм Вороного различных порядков [116], сравнение областей по их форме с помощью метрики на основе разбиений [65], анализ специфики обработки видеоданных [32], изучение обработки видеоданных и сегментации [66], анализ применения теоретико-множественного подхода для контекстного поиска и детализации видеоданных [114], определение способов грануляции как инструментария детализации данных [113], модель представления содержания видео на основе диаграмм Вороного [26], анализ существующих методов поиска ключевых кадров [111].
Апробация результатов диссертации. Основные результаты диссертационной работы докладывались и обсуждались на следующих научных конференциях: IEEE International Conference on Advanced Video and Signal
Based Surveillance (Сидней, Австралия, 22-24 ноября, 2006), XI Международном молодежном форуме «Радиоэлектроника и молодежь в XXI веке» (Харьков, Украина, 10-12 апреля, 2007), International Conference on Applied and Theoretical Information Systems Research (Тайбэй, Тайвань, 10-12 февраля, 2012), International scientific and technical Internet conference “Computer graphics and image recognition” (Винница, Украина, 13-20 марта, 2012), Международной научной конференции «Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта» (Евпатория, Украина, 27-31 мая, 2012), 19-th Zittau East West Fuzzy Colloquium (Циттау, Германия, 5-7 сентября, 2012), 20-th Zittau East West Fuzzy Colloquium (Циттау, Германия, 25-27 сентября, 2013), Международной научной конференции «Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта» (пгт. Железный Порт, Украина, 28-30 мая, 2014), 12th International Conference on Pattern Recognition and Information Processing (Минск, Белоруссия, 28-31 мая, 2014).
Публикации. Основные результаты диссертации опубликованы в 15 научных трудах, а именно: 4 статьи в изданиях, входящих в перечень специализированных научных изданий Украины по техническим наукам, и 2 статьи в зарубежных журналах (всего 3 индексируются в международных наукометрических базах данных); 9 публикаций в материалах международных научных конференций (из них 1 индексируется в международных наукометрических базах данных).
Структура диссертации. Диссертационная работа состоит из введения, четырех разделов, выводов, списка использованных источников и приложения. Общий объем диссертации составляет 147 страниц, из которого: основной текст диссертации занимает 120 страниц, 44 рисунка, 10 таблиц (из них 2 таблицы на 1 отдельной странице), список использованных источников из 155 пунктов на 17 страницах, 1 приложение на 3 страницах.

bibliography

ВЫВОДЫ
Последние исследования по высокоуровневому описанию движущихся объектов показали, что только специфические шаблоны движения и события (такие как номерные знаки автомобилей, мимика лица человека или жесты спортсменов) могут быть успешно распознаны на машинном уровне. Текущий уровень развития машинного зрения не позволяет реализовать семантически универсальных систем, которые бы смогли обрабатывать несколько разновидностей содержания. Более того, часто в целях обучения, анализируемый видеоматериал должен начинаться с кадров, содержащих исключительно фоновую область (без объектов), либо необходимо обеспечить наличие базы шаблонов движущихся объектов с текстовыми метками для них.
Если предыдущие десятилетия характеризовались стремлением ученых обеспечить высокоуровневое представление изображений и видеоданных, то современные подходы все чаще стали основываться на интерпретации визуальных признаков среднего уровня. Для ранее созданных методов под семантикой подразумевались текстовые аннотации к объектам или целым кадрам, однако на сегодняшний день, чтобы преодолеть традиционный разрыв между высокоуровневой интерпретацией и машинными представлением данных на низком уровне, используются комплексные методы принятия решений и искусственного интеллекта. Поэтому актуальным направлением развития методов обработки видео, и поиска ключевых кадров в частности, является реализация концепции оценки сходства кадров, заданных в терминах признаковых пространств с учетом семантических связей между содержанием в рамках отдельных кадров, сцен и всей видеопоследовательности.
В ходе диссертационной работы предложена новая модель и метод поиска ключевых кадров для реферирования видеоданных разного жанра, в рамках исследований получены следующие научно-практические результаты.
1. Исследованы методы искусственного интеллекта, которые могут использоваться в целях реферирования видеоданных, а также низкоуровневые и высокоуровневые признаки, характеризующие содержание видеокадров. Выявлены их достоинства, недостатки и пути решения существующих проблем.
2. В обобщенном виде предложена модель представления содержания видеокадров на основе математического аппарата диаграмм Вороного с учетом цвето-текстурных признаков и признаков формы областей. На основе анализа низкоуровневых признаков и сравнения диаграмм Вороного, построенных для каждого кадра, получена возможность машинного представления содержания видео, что позволило извлекать ключевые кадры.
3. На основе предложенной модели и синтезированных метрик сходства разбиений Вороного разработан новый метод поиска ключевых кадров с учетом содержания видео и границ сцен. Метод ориентирован не только на извлечение значимого содержания, но и на устранение повторов, если они появляются в результирующей последовательности ключевых кадров.
4. Установлено, что использование диаграмм Вороного высших порядков для детализации представления содержания видеокадров является более целесообразным, чем увеличение или уменьшение числа опорным точек с последующим перестроением диаграммы Вороного первого порядка.
5. Метод Харриса адаптирован под процедуру поиска ключевых кадров с использованием диаграмм Вороного и расширен с помощью алгоритма кластеризации к -средних, что обеспечивает большую ориентацию на содержание кадров при размещении опорных точек и устраняет неверно размещенные точки в областях с выбросами интенсивности.
6. Предложенная модель и метод прошли проверку на тестовых коллекциях открытого доступа и самостоятельно отснятом видеоматериале, кроме того, проведен сравнительный анализ предложенного метода с некоторыми из существующих. Также для оценки метода использовались общепринятые меры полноты и точности. В ходе переупорядочения кластеров проведена проверка их валидности при перемещении опорных точек для формирования более стабильного представления областей Вороного. Исследованы возможности оптимизации предложенного метода.
7. Результаты теоретических и практических исследований реализованы программно в виде модуля поиска ключевых кадров и опробованы в ходе работы электроэнергетического предприятия АО «Межрегиональная электроэнергетическая ассоциация «ЭЛТА», что дало возможность автоматизировать и ускорить обработку видеоданных экспертами этого предприятия. Научные результаты диссертационных исследований использованы в учебном процессе Харьковского национального университета радиоэлектроники при подготовке бакалавров и магистров по направлению и специальности «Информатика», а также при проведении лекционных занятий и лабораторного практикума по дисциплинам «Сжатие данных» и «Теория распознавания образов». Один из разработанных программных компонентов сертифицирован УкрСЕПРО. В приложении приведены копии актов о внедрении результатов диссертационных исследований.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Абрамов, С. К. Мера содержания фона на основе энтропии для поиска и сортировки изображений в базах данных / С. К. Абрамов, В. В. Лукин, Н. Н. Пономаренко // Радіоелектронні і комп'ютерні системи. - 2007. - № 2 (21). - С. 24-28.
2. Амбарцумян, Р. В. Введение в стохастическую геометрию /
Р. В. Амбарцумян, Й. Мекке, Д. Штойян. - М. : Наука, 1989. - 400 с.
3. Аноприенко, А. Я. О некоторых приложениях стохастической геометрии к анализу и синтезу вычислительных систем и алгоритмов /
А. Я. Аноприенко // Сборник трудов факультета вычислительной техники и информатики. - Донецк : ДонГТУ, 1996. - Вып. 1. - С. 129-137.
4. Антощук, С. Г. Анализ базисных функций вейвлет-преобразования при мультимасштабном контурном представлении изображений / С. Г. Антощук,
А. А. Николенко, Е. В. Ткаченко // Електромашинобудування та
електрообладнання. - 2009. - Вип. 72. - С. 15-19.
5. Ахметшин, А. М. Нечеткая сегментация слабоконтрастных
радиологических изображений / А. М. Ахметшин, Л. Г. Ахметшина // Клиническая информатика и Телемедицина. - 2010. - Т. 6, Вып. 7. - С. 37-42.
6. Березький, О. М. Статистичне оброблення цитологічних зображень / О. М. Березький, К. М. Березька, С. Ю. Попіна // Вісник Хмельницького національного університету. - 2012. - № 5. - С. 161-164.
7. Бобылев, С. С. Компьютерная система выявления дефектов листового проката в условиях ЗАО «Донецксталь-МЗ» / С. С. Бобылев, В. Г. Адамов // Информационные управляющие системы и компьютерный мониторинг : сб. матер. II всеукр. научн.-техн. конф., Донецк, 12-13 апр. 2011 г. - Донецк : ДонНТУ, 2011. - Т. 3 .- С. 108-112.
8. Богуш, Р. П. Анализ алгоритмов обработки динамических изображений в приложении к задаче сегментации движения на сложном фоне / Р. П. Богуш,
Г. А. Самощенков // Актуальные вопросы современной информатики : матер. междунар. заочн. научн.-практ. конф., Коломна, 1-15 апр. 2011 г. - Коломна : МГОСГИ, 2011. - Т. 2. - С. 13-16.
9. Васильев, П. В. Моделирование пространственных структур методами стохастической геометрии / П. В. Васильев // Научные ведомости БелГУ. Сер. Информатика и прикладная математика. - 2006. - № 1 (21), Вып. 2. - С. 92-103.
10. Введение в контурный анализ; приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев и др. ; под ред. Я. А. Фурмана. - 2-е изд., испр. - М. : Физматлит, 2003. - 592 с.
11. Використання логифмічних перетворень для сегментації зображень зварних швів / Р. А. Воробель, І. Б. Івасенко, Т. С. Мандзій, В. В. Боцян // Відбір і обробка інформації. - 2011. - Вип. 35 (111). - С. 109-115.
12. Вишняков, Б. В. Использование модифицированного метода оптических потоков в задаче обнаружения и межкадрового прослеживания движущихся объектов / Б. В. Вишняков, Ю. В. Визильтер, А. В. Лагутенков // Вестник компьютерных и информационных технологий. - М. : Спектр. -
2007. - № 5. - С. 2-8.
13. Головастов, А. Машинное зрение и цифровая обработка изображений / А. Головастов // СТА. - 2010. - № 4. - С. 8-18.
14. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс ; пер с англ. под ред. П. А. Чочиа. - М. : Техносфера, 2005. - 1072 с.
15. Горелик, А. Л. Современное состояние проблемы распознавания: Некоторые аспекты / А. Л. Горелик, И. Б. Гуревич, В. А. Скрипкин. - М. : Радио и связь, 1985. 160 с.
16. Гришин, С. В. Метод повышения эффективности временной сегментации видео на сценах с медленным движением / С. В. Гришин, Д. С. Ватолин // ГрафиКон’2007: сб. трудов конф., Москва, 23-27 июн. 2007 г. - М. : МАКС Пресс, 2007. - С. 253-256.
17. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт ; пер с англ. Г. Г. Вайнштейн, А. М. Васьковский ; под ред. В. Л. Стефанюка. - М. : Мир, 1976. - 512 с.
18. Дюран, Б. Кластерный анализ / Б. Дюран, П. Одел ; пер с англ. Е. З. Демиденко ; под ред. А. Я. Боярского. - М. : Статистика, 1977. - 128 с.
19. Журавлев, Ю. И. Распознавание. Математические методы. Программная система. Практические применения / Ю. И. Журавлев,
B. В. Рязанов, О. В. Сенько. - М. : Фазис, 2006. - 176 с.
20. Иванов, В. Г. Модели, методы и информационные технологии агрегативного кодирования и сжатия мультимедийных данных : дис. ... доктора техн. наук : 05.13.06 / В. Г. Иванов. - Харьков, 2008. - 326 с.