Сравнительный анализ информативности визуальных дескрипторов для классификации состояния дверных проемов в системах ассистивного зрения

Abstract

Рассматривается задача автоматического определения состояния двери (открыта/закрыта) на изображениях со сложным фоном для систем навигации слабовидящих. Предложен гибридный подход, сочетающий нейросетевую локализацию объекта (YOLO) и классификацию его состояния методами машинного обучения. Сформирован вектор из семи визуальных признаков, описывающих текстурные, геометрические и яркостные характеристики изображения. На основе модели Random Forest проведен количественный анализ информативности признаков (Feature Importance). Экспериментально установлено, что наиболее значимым дескриптором является дисперсия яркости (Importance ?0,19), характеризующая однородность поверхности. Достигнута точность классификации (Accuracy) более 90 %, что подтверждает эффективность предложенного набора признаков. The article addresses the problem of automatic door state detection (open/closed) in images with complex backgrounds for navigation systems designed for the visually impaired. A hybrid approach is proposed combining neural network-based object localization (YOLO) and state classification using machine learning methods. A vector of seven visual features was formed, which describe textural, geometric, and brightness characteristics of the image. Based on the Random Forest model, a quantitative analysis of feature informativeness (Feature Importance) was conducted. Experimental results established that the most significant descriptor is brightness variance (Importance ?0,19), characterizing surface homogeneity. A classification accuracy (Accuracy) of over 90 % was achieved, confirming the effectiveness of the proposed feature set.