close

Вход

Забыли?

вход по аккаунту

?

Распознавание образов на телевизионных изображениях методом сравнения с единичными низкокачественными эталонами

код для вставкиСкачать
На правах рукописи
Лоханов Александр Васильевич
РАСПОЗНАВАНИЕ ОБРАЗОВ НА ТЕЛЕВИЗИОННЫХ ИЗОБРАЖЕНИЯХ
МЕТОДОМ СРАВНЕНИЯ С ЕДИНИЧНЫМИ НИЗКОКАЧЕСТВЕННЫМИ
ЭТАЛОНАМИ
05.12.04 – «Радиотехника, в том числе системы и устройства телевидения»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Владимир - 2018
Работа выполнена на кафедре физики и прикладной математики Федерального государственного бюджетного образовательного учреждения высшего образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых (ВлГУ)»
Научный руководитель:
Прокошев Валерий Григорьевич, доктор физикоматематических наук, профессор, первый проректор, проректор по науке и инновационной работе
ВлГУ, г. Владимир.
Официальные оппоненты:
Данилюк Сергей Григорьевич,
доктор технических наук, профессор кафедры №32
Филиал Военной академии РВСН имени Петра Великого, г. Серпухов.
Зеленов Дмитрий Юрьевич,
кандидат технических наук,
начальник сектора ОАО «Владимирское
конструкторское бюро радиосвязи», г. Владимир.
Ведущая организация:
Акционерное общество «Научно производственный
комплекс «Дедал» г. Дубна.
Защита состоится «18» сентября 2018 года в 14.00 часов на заседании совета
Д212.025.04 при Владимирском государственном университете имени Александра Григорьевича и Николая Григорьевича Столетовых по адресу:600000, г.
Владимир, ул. Горького, 87, корпус 3, ауд. 301.
С диссертацией можно ознакомиться в научной библиотеке Владимирского
государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых и на сайте http://diss.vlsu.ru/.
Автореферат разослан «2» июля2018 г.
Отзывы на автореферат, заверенные печатью, просим направлять по адресу:
600000, г. Владимир, ул. Горького, 87, ВлГУ, РТ и РС.
Ученый секретарь диссертационного совета
доктор технических наук, профессор
А.Г. Самойлов
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы исследования. В настоящее время значительно возрос интерес к системам распознавания различного характера. Так, например,
одной из наиболее актуальных задач является проблема безопасности. Во многом это связано со значительным возрастанием уровня террористической угрозы в России и в мире. В контексте этой проблемы, например, предпринимаются
попытки использования биометрических технологий с целью автоматизации
обнаружения и опознавания нежелательных и опасных субъектов в местах массового скопления людей. Остановимся подробнее на этой сфере применения
систем распознавания. Создание подобных систем представляет существенную
сложность. Проблемы, в основном, группируются в двух направлениях. Вопервых, в инженерно-технической области; производительность вычислительных модулей, разрешающая способность и чувствительность оптических модулей. Во-вторых, в алгоритмической области; эффективность алгоритмов детектирования и распознавания. Так в сфере разработки алгоритмов распознавания
лиц, основные усилия концентрируются на создании эффективных узкоспециализированных алгоритмов.
В настоящее время имеется ряд реализованных программно-аппаратных
систем автоматического распознавания. Тем не менее, исследования алгоритмов продолжаются для расширения области применения и улучшения их характеристик (повышения вероятности автоматизированного распознавания человека по биометрическим признакам относительно эталонных фотографий, снижения ошибки 1 рода (FRR -False Rejection Rate вероятность отказа «своему») и
ошибки 2 рода (FAR -False Acceptance Rate вероятность пропуска «чужого»).
Важнейшие результаты в области обработки и распознавания образов на телевизионных изображениях получены отечественными учеными: Сойфером В.А.,
Журавлевым Ю.И., Житенёвым С.А., Бакутом П.А., Фурманом Я.А., Снетковым В.А., а также зарубежными авторами: Pratt W.K, Roberts L.G., Sobel I.E. и
др.
3
Объект исследования. Телевизионные системы распознавания образов, в
том числе, подсистемы детектирования, сегментации и классификации объектов в полутоновых и цветных изображениях.
Предмет исследования. Средства распознавания образов методом сравнения с изменяющейся мерой в условиях единичного низкокачественного эталона.
Цель и задачи исследования. Разработка алгоритмов, направленных на
повышение вероятности корректного распознавания образов на телевизионных
изображениях в реальном времени.
Для достижения указанной цели необходимо решить следующие задачи:
1.
Разработать алгоритмы и подсистемы модульной программы иден-
тификации человека по растровому двумерному изображению в условиях единичного низкокачественного эталона.
2.
Провести прямое сравнение результатов работы разработанных ал-
горитмов с результатами узкоспециализированного алгоритма.
3.
Исследовать сравнительную реакцию разработанных алгоритмов
при снижении качества эталонного изображения и влияние искажений на тестовых изображениях.
4.
Провести экспериментальные натурные исследования.
Методы исследования. При решении поставленных задач использованы
методы цифровой обработки изображений, компьютерного зрения, распознавания образов, математического анализа, теории вероятностей и математической
статистики. Для практической реализации алгоритмов применялись современные численные методы и методы объектно-ориентированного программирования на языках Matlab, С++, C#.
Научная новизна. В рамках данной работы получены следующие новые
научные результаты:
1.
Для повышения вероятности распознавания в условиях изменения освещения, оптических искажений и перекрытий объектов предложен алгоритм,
4
построенный на принципах модульного объединения независимых методик и искусственных трансформаций изображений.
2.
Разработанная система использует принцип структурной минимальности
входных данных, т.е. оперирует единственным исходным изображением
(эталоном) каждого распознаваемого класса и регистрируемыми распознаваемыми изображениями при существенных искажениях.
Практическая значимость.
1.
Разработаны алгоритмы, математические модели и программные средства,
позволяющие увеличить вероятность распознавания на 10-16%, в зависимости от условий измерений.
2.
Создана модульная система распознавания образов.
3.
Применение модульной структуры предлагаемых решений позволяет совместное использование разработанных универсальных и узкоспециализированных алгоритмов сторонних разработчиков.
Положения, выносимые на защиту:
1.
Алгоритм обнаружения и отслеживания образов на телевизионных изображениях, позволяющие получить 98-100% детектирования образов (при
исключении ложных срабатываний в случае появления в видеопотоке,
например, изображений людей, нанесенных на одежду, рекламные материалы и т.д.)
2.
Алгоритм определения принадлежности объекта распознаваемому классу,
отличающийся повышенным быстродействием.
3.
Группа алгоритмов для идентификации образов на телевизионных изображениях, позволяющих повысить вероятность распознавания образов на величину 10-16% в режиме реального времени в условиях единичного низкокачественного эталона.
Внедрение научных результатов диссертационной работы проведено в
учебный процесс, научно исследовательские и опытно-конструкторские работы
выполняемые на кафедре физики и прикладной математики ВлГУ, а также в
ФКП «ГЛП «Радуга» г. Радужный, о чем получены акты внедрения.
5
Апробация работы проведена на следующих научных конференциях:
•
Международная конференция по математической теории управления и
механике. Суздаль, 2015
•
XVIII всероссийская научно-методическая конференции «Телемати-
ка’2011, Санкт-Петербург, 2011
•
Региональная научно-практическая конференция «Многоядерные процес-
соры и параллельное программирование», Барнаул, 2011
•
XVII Всероссийская научно-методическая конференции «Телемати-
ка'2010, Санкт-Петербург, 2011
•
IX международная научно-практическая конференция «Исследование,
разработка и применение высоких технологий в промышленности», СанктПетербург, 2010
Публикации. Опубликовано 16 научных работ, из них по теме диссертации 14, в том числе 3 в журналах, рекомендованных ВАК, 4 свидетельств о регистрации программ для ЭВМ и 7 докладов на научных конференциях различного уровня, включая международные.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, содержащего 150
наименований. Она изложена на 139 страницах машинописного текста, содержит 51 рисунок, 8 таблиц и 7 приложений.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность темы диссертации, ставится
цель работы, и определяются необходимые для ее достижения задачи исследования. Описано научное и практическое значение диссертационной работы, основные положения, выносимые на защиту, результаты внедрения и структура
работы.
В первой главе проведен аналитический обзор задачи биометрической
идентификации человека по изображению лица в условиях единичного низкокачественного эталона» выполнен анализ задачи.
6
Рассмотрены имеющиеся методы распознавания и сформулированы цели и
задачи диссертационной работы. Имеющиеся методы распознавания можно
разделить на общие и специализированные. Общие методы характеризуются
универсальностью применения. Они могут в принципе использоваться не только для распознавания лиц, но и других объектов.
Рисунок 1 Пример изображений собственных векторов.
Специализированные методы оперируют с признаками характерными
именно для человеческих лиц. Они разработаны для решения этой узкой задачи
и, как правило, принципиально неприменимы для распознавания других объектов.
Рисунок 2 Идентификационные точки и расстояния, наиболее часто применяемые при
построении автоматизированных систем идентификации.
К настоящему времени в габитоскопии (науке о внешнем облике человека,
методах собирания и использования данных о внешнем облике человека накоплено достаточно много знаний о биометрических инвариантных признаках лиц
7
людей. В этих известных работах предлагается использовать десятки и даже
сотни признаков, позволяющих более или менее точно описать и распознать
лицо конкретного человека. Некоторые из них представлены выше при описании алгоритма выделения лица как фрагмента изображения, который может
принадлежать только человеку.
Однако следует заметить, что теория распознавания образов рекомендует
относиться к проблеме выбора признаков с особым вниманием. От выбора признаков существенно зависит вычислительная сложность алгоритмов распознавания объектов. От их выбора зависит также и эффективность этих алгоритмов.
Во второй главе рассматриваются математические модели и алгоритмы
решения поставленной научной задачи.
Для ее решения предложены подходы, заключающиеся в следующем. В
целом решается задача следующего характера. Есть совокупность {э } эталонных классов. Требуется определить принадлежность некоторого тестового объекта т одному из уже имеющихся классов или же установить факт отсутствия
этого объекта в любом из них. Формируется базисное понятие - «методика». В
основу положена гипотеза, состоящая в том, что если тестовый класс соответствует эталонному классу, то достаточно большое количество используемых
методик даст высокую степень похожести; в противном же случае, это не так. К
множеству методик предъявлялись следующие требования: во-первых, они
должны оценивать объект исходя из разных принципов; во-вторых, методики
должны носить универсальный характер, то есть, не должны быть привязаны к
конкретному типу объектов; таким образом, исключается обучение.
Естественно, возникает проблема – описания класса: ограничимся пониманием описания как предъявлением множества изображений входящих в него
объектов. Однако, построение такого набора, то есть, собственно описания
класса, не всегда является простой задачей. Сложность во многом определяется
сферой применения системы распознавания.
8
начало
Входное
изображение
Обнаружение
объекта
Нормализация
изображения
Список ближайших
Список ближайших
...
Методикаm
Методика2
...
Методика1
...
ТрансформацияN
Методикаm
Методика2
Методика1
...
Трансформация2
Методикаm
Методика2
Методика1
Трансформация1
Список ближайших
Принятие
решения
конец
Рисунок 3 - Обобщенный алгоритм работы системы распознавания
Предложенный подход позволил разработать алгоритм распознавания, выполняющий следующие шаги:
Этап обнаружения объекта: разработанный алгоритм обнаружения и детектирования лиц основан на методе Виола-Джонса.
Определены особенности предложенного алгоритма
Характерные черты (feature) – представляют собой комбинацию двух, трех или
четырех прямоугольников. Вычисление характерных черт заключается в вычислении разности значений суммарных интенсивностей светлого и темного
прямоугольников.
Интегральное изображение – для представления исходного изображения, позволяющее быстрое вычисление характерных черт (особенностей), используемых при классификации изображения. Введено понятие интегрального изображения Каждый пиксель интегрального изображения представляет собой сумму
9
значений всех пикселей исходного изображения, расположенных выше и левее
текущего пикселя.
Этап нормализации входного изображения, который заключается в том что
входными данными для алгоритма анализа и маршрутирования служат: а) пара
видеокадров с передающей части системы; б) информация о положении объектов относительно кадра (силуэтная маска, ограничивающий прямоугольник).
Разработан также алгоритм анализа изображения с возможностью маршрутирования основан на процедуре слежения за точечными особенностями изображения.
Процедура слежения за точечными особенностями, использованная в системе
позволяет находить точечные особенности изображения на кадре из видеопотока и обеспечивать сопоставление точечных особенностей двух последующих
кадров с целью определения смещения точечных особенностей сцены за промежуток времени между последовательными кадрами.
Этап формирования признакового описания (лица): Для этого разработана
последовательность действий
1.
Трансформация- фото обрабатывается фильтром (комбинацией фильтров)
общего назначения.
2.
Признаковое описание – формируется набор чисел, характеризующих фо-
то (вектор, гистограмма, пакет).
3.
Сравнение – как правило, используется метрический способ сравнения
числовых характеристик.
Рассмотрим для примера одну из методик: дискретные косинусные преобразования (обозначение D)
Дискретные косинусные преобразования
1. К фото применяется гауссов фильтр, или оно вовсе не преобразуется.
2. Используется разновидность Фурье – преобразования, дискретное косинусное преобразование (сканирование -сжатие).
3. Применяется синус – метрика.
10
Дискретное косинусное преобразование (ДКП) представляет собой разновидность преобразования Фурье и имеет обратное преобразование. В ДКП
изображение рассматривается как совокупность пространственных волн, для
которых оси X и Y проводятся параллельно продольной и поперечной осям, а
по оси Z откладывается значение яркости соответствующего пикселя изображения.
Для изображения MxN дискретное косинусное преобразование получено
выражения вида:
 (2 x  1)u   (2 y  1)v 
C (u, v)   (u ) (v)  I [ x, y] cos 
 cos  2 N
 ,
 2M
x 0 y 0
M 1 N 1
где [, ] - яркость пикселя (, ),

 1
,u  0


 M

 (u )  
,  (v )  
 2 , u  1,2,..., M  1



 M

1
,v  0
N
.,
2
, v  1,2,..., N  1
N
Рисунок 4 - Порядок нумерации элементов
В качестве метрики для вычисления расстояния между вектором признаков используется синус угла между векторами:
1
2
2
1 , ℎ2 ) = √1 −  2 (ℎ̂
1 , ℎ2 ) = √1 − [ 〈ℎ ,ℎ 〉 ] .
(ℎ , ℎ ) = sin(ℎ̂
‖ℎ1 ‖∙‖ℎ2 ‖
1
2
Особенностью методики является то, что при построении вектора признаков
структура поля изображения специально не анализируется и подвергается сканированию целиком (принцип структурной минимальности). Такой подход, в
11
частности, делает устойчивым к искажениям и дефектам саму процедуру построения вектора признаков.
Результат
ДКП-преобразования
Изображение
Параметры (количество
используемых коэффициентов)
Формирование
вектора
признаков
Преобразование
изображения
Вектор
признаков
ДКП
Нумерация
Рисунок 5. Схема формирования ВП при использовании ДКП
В качестве ВП используется не весь результат ДКП -преобразования ИЧЛ, а
только некоторую его часть. Низкочастотные коэффициенты в наибольшей
степени определяют основные черты изображения. Высокочастотные коэффициенты соответствуют мелким деталям изображения.
Остальные методики обладают аналогичными свойствами. Они подробно описаны в основном тексте диссертации и не приводятся ввиду требований к объему автореферата.
К стандартным методикам была добавлена группа методик, использующих пакетный принцип сравнения. Пакетный способ сравнения имеет свою предысторию и берет истоки из работ прошлого века. Предлагаемый метод в определенном смысле основан на результатах ряда работ по исследованию текстур. Так
еще в 90-х гг прошлого века Перрона и Малик при изучении текстуры изображения применили метод, основанный на анализе семейства изображений, полученного комбинацией искажений анализируемого изображения разными фильтрами. Комбинацию фильтров они подбирали интуитивно, зрительно анализируя образы (полосы, пятна и т.д.). Задачи, которые решались в этих работах, не
связаны с распознаванием лиц. Однако, можно сделать практически значимые
для нас выводы: во-первых, не следует усложнять фильтры, достаточно применять линейные комбинации гауссовых фильтров; во-вторых, по возможности
нужно использовать такие методы фильтрации, которые генерируют зрительно
12
понятные образы, т. е. опираться на интуицию. Этот опыт возможно распространить на распознавание лиц. Построение набора гауссовых фильтров предполагал подбор двух групп параметров. Одна группа – параметры самих гауссовых фильтров; другая группа – весовые коэффициенты, с которыми они
включаются в линейную комбинацию. Предлагается исключить настройку по
второй группе параметров. Рассматривая все возможные линейные комбинации
фото, к которым применяются гауссовы фильтры из заранее фиксированного
набора. Собственно, как правило, используются для сравнения не сами фото, а
результаты их сканирования - сжатия; например, векторы, состоящие из части
коэффициентов ДКП – преобразования. Таким образом, возникает объект, который назван «пакет». Он представляет собой линейное пространство, образованное набором векторов, обычно, относительно не очень большой размерности. Например, если в качестве сканирования используется ДКП - преобразование на картах размером 256х256, то ограничиваемся порядка двухсотыми коэффициентами и т.д. Естественно, возникает большое количество возможностей построения «пакета». Можно комбинировать последовательности применения преобразующих фильтров, различные приемы сканирования – считывания и т.д. Важным является то, что вектор признаков заменяется линейным
пространством признаков - «пакетом».
Для сравнения линейных подпространств атрибутов введем метрику dm,n. Рассмотрим определитель Грама Г (1 , … ,  ) = det(<  ,  >) определитель матрицы, составленной из скалярных произведений. Он равен квадрату К-мерного
объема фигуры, построенной на векторах 1 , … ,  . ЕстественноГ ≥ 0; Г = 0
тогда и только тогда, когда векторы 1 , … ,  линейно зависимы. Пусть мы имеем два пространства, построенных на наборах
векторов 1 , … ,  .и
+1 , … , + . Справедливо неравенство
Г(1 , … , + ) ≤ Г(1 , … ,  ) ∙ Г(+1 , … , + )
Равенство возможно, когда:
1)
пространства Г(1 , … ,  ) ∙и Г(+1 , … , + ) ортогональны:
13
2)
один из определителей равен нулю [2].
В приложениях описанный случай маловероятен, поэтому в качестве расстояния между пространствами Г(1 , … ,  ), Г(+1 , … , + )можно взять
, =
Г(1 , … , + )
.
Г(1 , … ,  ) ∙ Г(+1 , … , + )
В третьей главе предложено проектирование и реализация алгоритмов
распознавания образов» рассматривается программная реализация системы.
Система реализуется в виде следующих подсистем: регистрации, распознавания, управления, интеграции и пользовательского интерфейса.
Конструктивно, каждая подсистема состоит из набора компонент – сборок
.NET, исполняемых файлов, файлов конфигурации, баз данных, динамических
библиотек и т.п. Размещение компонент по узлам зависит от функций, выполняемых каждой подсистемой на том или ином узле. При этом некоторые компоненты связаны с внешними службами, дополнительно инсталлируемыми на
соответствующих узлах.
Подсистема регистрации предназначена для получения видеоданных с
устройств передающей части, их декодирования и последующего анализа с целью обнаружения объектов (лиц людей) в зоне наблюдения. В задачи подсистемы регистрации также входит ведение архивной базы данных и видеозапись.
Подсистема регистрации является источником данных для ключевых
функций комплекса, поэтому она тесно интегрирована со всеми остальными
подсистемами. В состав подсистемы входят следующие компоненты
14
Рисунок 6 - Подсистема регистрации
Подсистема распознавания предназначена для идентификации личности
человека по изображению лица, фиксируемого подсистемой регистрации. Также в задачи подсистемы входит обслуживание оперативной базы идентифицируемых личностей.
Подсистема управления объединяет несколько разнообразных компонент,
выполняющих разнообразные служебные функции, необходимые для продуктивной работы остальных подсистем. По сути, подсистема управления выступает в роли промежуточной среды, обеспечивающей инфраструктурную поддержку всем функциональным компонентам СППО. Ключевые задачи, решаемые подсистемой: организация взаимодействия как между компонентами
СППО, так и со службами операционной системы, обработка конфигурационных данных, разграничение доступа, ведение журнала событий. Помимо этого,
подсистема управления включает загрузочный модуль, содержащий основную
точку входа в программу (служба, запускаемая при старте ОС).
15
Подсистема управления
IConfigurationService
AD LDS
Конфигурация
Безопасность
Загрузка
Сервисы
Протокол
Хост
Конвейер
DirectShow
IBootstrapService
ILogService
Windows
Event Log
Рисунок 7. Подсистема управления.
Подсистема интеграции предназначена для сопряжения системы с внешними системами безопасности и контроля доступа. Сопряжение обеспечивается
путем трансляции видеоданных, полученных от подсистемы регистрации, сопутствующих данных об обнаруженных объектах, а также информации о событиях распознавания и решениях, принимаемых оператором. Подсистема интеграции осуществляет трансляцию этих данных посредством разработанных
протоколов.
TCP / UDP
Подсистема интеграции
Регистрация
Видеотрансляция
Управление
Сопряженная
система
Трансляция
событий
Распознавание
IPersonIdentificationCallback
TCP
IEventSourceService
IIntegrationService
Пользовательский
интерфейс
IIntegrationService
Рисунок 8. Подсистема интеграции.
16
Подсистема пользовательского интерфейса представляет собой средство
взаимодействия обслуживающего персонала со всеми подсистемами СППО для
использования комплекса по назначению. Задачей подсистемы является наиболее полное отображение информации о функционировании всех модулей АПК
– как программных, так и аппаратных, а также обеспечение удобства выполнения функций оператором
IPersonDetectionService
Регистрация
IDetectionDataService
Подсистема пользовательского
интерфейса
Приложение
оператора
IPersonIdentificationService
Распознавание
IPersonDataService
Управление
Приложение
администратора
IIntegrationService
Интеграции
IEventSourceService
Рисунок 9. Подсистема пользовательского интерфейса.
Подсистема не предоставляет никаких внешних интерфейсов, поскольку
выполняет исключительно клиентские функции.
В четвертой главе «Экспериментальное исследование алгоритмов распознавания образов» обобщаются и анализируются результаты системы по распознаванию лиц в ходе испытаний, проведенных на базе станции метро «Ладожская» в г. Санкт-Петербург. Оцениваются выявленные недостатки системы, их
причины, и предпринятые действия для их устранения. Приводятся результаты
работы на видеозаписях, полученных в ходе испытаний, с учетом внесенных
доработок и проводится сравнение работы предлагаемого алгоритма с узкоспециализированными программными решениями для распознавания лиц.
СРАВНИТЕЛЬНЫЕ ИСПЫТАНИЯ: Они были разбиты на три основные
группы, которые получили условные наименования – «кривое зеркало», «наложение тумана» и «фотороботы». Ниже даны краткие выводы.
17
Проблемы, которые выявились в результате экспериментов, имеющих выставочный характер, подтвердили следующее. Решения, построенные на SDK
COGNITEC FaceVACS 8.4 действуя в ординарной обстановке очень эффективны. Однако, если ситуация нестандартна, то возникают затруднения. При этом
надо подчеркнуть, что часто правильный ответ дает совсем уж примитивный
индикатор, например, оценивающий только текстурное содержание фото. Анализ результатов, собственно, подтверждает целесообразность подхода «универсальная платформа», который предполагает одновременное применение большого числа разноплановых инструментов. При этом использование платформы
не является альтернативой узкоспециализированным алгоритмам. Её предполагается использовать в тех нишах, где, по тем или иным причинам, не разработаны алгоритмы узкой специализации.
В заключении сформулированы научные и практические результаты
диссертационной работы:
1.
Выполнен анализ задачи, описана ее актуальность. Проведен обзор имеющихся методов распознавания и сформулированы цели и задачи диссертационной работы. Уточнена общая поэтапная процедура распознавания лица человека на цифровом изображении. Показаны основные подходы к
решению задачи предобработки и вычисления вектора признаков. Доработаны этапы предварительной подготовки изображения, оказывающие существенное влияние на конечный результат. Показана эффективность
применения методов признакового описания.
2.
Предложен алгоритм пакетного сравнения эталонных и тестовых изображений, включающий предварительное применение заранее определенных
трансформаций, и позволяющий повысить устойчивость процедуры распознавания к влиянию негативных факторов. Вероятность распознавания
возрастает на 10-16% (в режиме реального времени)
3.
Выполнено проектирование программной части системы, проведена декомпозиция на подсистемы и модули, специфицировано их размещение по
18
узлам и форма взаимодействия. Получено описание структуры программного обеспечения. Определен состав используемого системного программного обеспечения и необходимых средств разработки. Показана целесообразность и эффективность выбора среды и языков разработки для подсистем и модулей. Выполнена программная реализация алгоритмов и структур данных, входящих в состав спроектированных модулей.
4.
Проведено испытание разработанной системы на объекте транспортной
инфраструктуры (метрополитен г. Санкт-Петербург). По материалам испытаний проведен анализ выявленных недостатков в работе программного
обеспечения и выполнена их существенная доработка. Полученная вероятность корректного распознавания 79%. Проведен анализ выявленных в ходе испытаний факторов внешней среды (неравномерность естественного
освещения, перекрытия лиц в потоке в часы пик и т.д). Проведены дополнительные исследования и сравнения с существующими системами (в
частности на основе SDK FaceVACS 8.4 Cognitec Systems GmbH).
СПИСОК РАБОТ, ОПУБЛИКОВАННЫХПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в рецензируемых изданиях из перечня ВАК
1.
Васильченкова, Д.Г. Исследование искаженных изображений при
помощи инструментов текстурного анализа / Д.Г. Васильченкова, А.С. Голубев,
М.Ю. Звягин, А.В. Лоханов // Проектирование и технология электронных
средств. — 2017. —№3. — С. 41-47.
2.
Лоханов, А.В. Математическое обеспечение проектирования пьезо-
электрических преобразователей энергии / А.В. Лоханов, А.В. Осин, М.В. Руфицкий // Проектирование и технология электронных средств». —2011 — №2.
— C. 56-62.
3.
Лоханов, А.В. Система автоматизированного проектирования пье-
зоэлектрических преобразователей энергии для малопотребляющих электронных средств / А.В. Лоханов, А.В. Осин, М.В. Руфицкий // Проектирование и
технология электронных средств. — 2011. — №3. — C. 65-68.
19
Патенты и свидетельства на программы для ЭВМ
4.
Куприянов, А.А. Полуавтоматическая аппроксимация эксперимен-
тальных данных базисным набором гауссиан / А.А. Куприянов, А.С. Голубев,
М.Ю. Звягин, А.В. Лоханов // Свидетельство об официальной регистрации программы для ЭВМ №2017611477 от 03.02.2017 г.
5.
Голубев, А.С. Программное обеспечение автоматизированного те-
стирования алгоритмов распознавания лиц / А.С. Голубев, И.В. Курочкин, А.В
Лоханов, П.Ю. Шамин // Свидетельство об официальной регистрации программы для ЭВМ № 2014612123 от 19.02.2014 г.
6.
Боченина, К.О. Модульная программа идентификации человека по
растровому двумерному изображению лица / К.О. Боченина, А.С. Голубев,
М.Ю, Звягин, А.В Лоханов, В.Г. Прокошев, М.М. Рожков, П.Ю. Шамин // Свидетельство об официальной регистрации программы для ЭВМ № 2011611917 от
28.02.2011 г.
7.
Голубев, А.С. База данных биометрических признаков / А.С. Голу-
бев, А.В. Духанов, Д.С. Квасов // Свидетельство об официальной регистрации
базы данных № 2011620172 от 28.02.2011 г.
Тезисы докладов на конференциях и статьи в других изданиях
8.
Зиновьев, И.И. Поиск лиц людей на изображениях высокого разре-
шения в реальном времени / И.И. Зиновьев, А.В. Лоханов. // Региональная
научно-практическая конференции «Многоядерные процессоры и параллельное
программирование». - 25.02 2011, г. Барнаул. Сб. докладов - Барнаул : БГУ,
2011. – С. 71-77.
9.
Лоханов, А.В. Компьютерное моделирование Mesh сети в системах
GPSS и MATLAB / А.В. Лоханов, А.В. Осин, М.В. Руфицкий // Девятая международная научно практическая конференция "Исследование, разработка и применение высоких технологий в промышленности". - 22-23.04.2010, Санкт - Петербург, Изд-во Политехн. Университета. - 2010. - Т. 1. – С.165-166.
10.
Аракелян, С.М Аппаратно-программный комплекс автоматизиро-
ванного распознавания и биометрической идентификации людей (АПК АРБИЛ)
20
/ С.М. Аракелян А.С. Голубев, А.В. Духанов, М.Ю. Звягин, Д.С. Квасов, А.В.
Лоханов, В.Г. Прокошев, П.Ю. Шамин // Труды XVII Всероссийской научнометодической Конференции Телематика'2010. 21-24.06.2010, Санкт-Петербург,
Россия - СПб: Изд-во Санкт-Петербургского государственного университета
информационных технологий, механики и оптики. - 2010. - Т. 2. - С 255-256
11.
Лоханов, А.В. Сравнительный анализ перспектив использования
источников видеоизображения с компрессией и без компрессии в технических
системах с функциями распознавания людей / Лоханов А.В., Шамин П.Ю. //
Труды XVIII Всероссийской научно-методической Конференции Телематика'2011. 20-23.06.2011, Санкт-Петербург, Россия - СПб: Изд-во СанктПетербургского государственного университета информационных технологий,
механики и оптики. - 2011. - Т. 2. - С 264-266
12.
Звягин, М.Ю. Численно-аналитические исследования в фазовом
пространстве динамической системы / М.Ю. Звягин, А.В Лоханов, В.А. Скляренко // Сборник трудов Международной конференции по математической теории управления и механике. Сб. тез докладов. - Суздаль, 03-07.07.2015г. –
С.74-81
13.
Лоханов, А. В. Текстурный анализ искаженных изображений / А.В
Лоханов // ХХ международная научно-практическая конференция «Теоретические и методологические проблемы современных наук» Сб. тез. докладов. –
Новосибирск. –2017. –С.78-84.
14.
Голубев, А.С Усовершенствованное распознавание образов на ос-
нове квази-эталонных образов / А.С. Голубев, М.Ю. Звягин, А.В. Лоханов, Л.А.
Семин // Известия высших учебных заведений. Технология текстильной промышленности. - 2015. № 4 (358). С.236-240.
21
Подписано в печать_____________ Формат 60х84 1/16. Печ .л. 1,0.
Тираж 100 экз.
Типография Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых 600000, г. Владимир, ул. Горького,87.
1/--страниц
Пожаловаться на содержимое документа