Алгоритмы распознавания подвижных объектов для интеллектуальных систем охранного видеонаблюдения тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Иванов, Юрий Сергеевич

• Иванов, Юрий Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Иванов, Юрий Сергеевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ

1.1 Роль методов распознавания и классификации образов в системах

охранного телевидения

1.2 Классическая постановка задачи распознавания образов

1.3 Анализ методов распознавания образов

1.3.1 Методы, основанные на шаблонах

1.3.2 Методы с использованием контурных моделей

1.3.3 Нейросетевые методы

1.3.4 Метод Виолы-Джонса

1.3.5 Метод опорных векторов

1.4 Нерешенные задачи для СОТ

Выводы по первой главе

ГЛАВА 2 СИНТЕЗ АЛГОРИТМА ЛОКАЛИЗАЦИИ И РАПОЗНАВАНИЯ НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ НА ОСНОВЕ МЕТОДА ВИОЛЫ-ДЖОНСА И КАСКАДА НЕЙРОННЫХ СЕТЕЙ

2.1 Аналитический обзор методов локализации номерных знаков

2.2 Постановка задачи локализации НЗ ТС

2.3 Модифицированный алгоритм локализации НЗ

2.3.1 Локализация НЗ на основе метода Виолы-Джонса

2.3.2 Адаптивна предобработка

2.3.3 Модификация алгоритма локализации НЗ ТС добавлением адаптивной

предобработки

2.3.3.1 Обучение классификатора для локализации номерных знаков

2.3.4 Модификация алгоритма локализации НЗ добавлением второго

классификатора

2.3.5 Результаты эксперимента по локализации НЗ

2.3.6 Анализ результатов моделирования алгоритма локализации НЗ и

выработка рекомендаций

2.4 Модифицированный алгоритм оптического распознавания символов НЗ

2.4.1 Сегментация символов

2.4.2 Использование нейронных сетей в задачах оптического распознавания текста

2.4.3 Формирование обучающего множества

2.4.4 Сравнение методов распознавания символов

2.4.5 Формирование каскадной модели нейронных сетей для распознавания символов НЗ

2.4.6 Результаты эксперимента

Выводы по второй главе

ГЛАВА 3 СИНТЕЗ АЛГОРИТМА ЛОКАЛИЗАЦИИ И РАПОЗНАВ АНИЯ ЛИЦ С ПРИМЕНЕНИЕМ МЕТОДОВ ОНЛАЙН ОБУЧЕНИЯ

3.1 Задача детекции лица на изображении

3.2 Постановка и решение задачи детекции лица в кадре видеопотока традиционным методом

3.3 Недостатки классического алгоритма детекции лиц

3.4 Постановка и решение задачи детекции лица в кадре видеопотока с использованием модифицированного алгоритма

3.4.1 Формирование обучающей выборки с учетом условий съемки

3.4.2 Способы определения условий съемки

3.4.3 Последовательное обучение

3.4.4 Синтезированный алгоритм детекции объектов с использованием метода Виолы-Джонса и последовательного обучения БУМ

3.4.5 Результаты эксперимента

3.4.6 Обсуждение результатов моделирования

Выводы по третьей главе

ГЛАВА 4 РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ И УЧЕТА РАБОЧЕГО ВРЕМЕНИ

4.1 Существующие решения на рынке интеллектуальной видеоаналитики

4.2 Технические требования к системе

4.3 Разработка интеллектуальной системы Garni VIS

4.3.1 Выбор средств разработки

4.3.2 Архитектура системы GarmVIS

4.3.2.1 Платформа

4.3.2.2 Модуль распознавания автомобильных номеров

4.3.2.3 Модуль распознавания лиц

4.3.2.4 Модуль управления энергосбережением

4.3.3 Принципы работы системы GarmVIS

4.4 Показатели эффективности разработки

4.5 Практическое применение предложенных алгоритмов в других приложениях оптического распознавания образов

Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ

ПРИЛОЖЕНИЕ Г. ОХРАННЫЕ ДОКУМЕНТЫ НА РЕЗУЛЬТАТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

Введение диссертации (часть автореферата) на тему «Алгоритмы распознавания подвижных объектов для интеллектуальных систем охранного видеонаблюдения»

ВВЕДЕНИЕ

Актуальность работы.

Повсеместное внедрение систем видеонаблюдения вызвало появление спроса на системы интеллектуальной видеоаналитики, под которой понимают технологию, использующую методы компьютерного зрения для автоматизированного получения различной информации на основании анализа последовательности изображений, поступающих с видеокамер в режиме реального времени или из архивных записей [97]. Системы машинного зрения могут применяться для распознавания лиц людей, управления энергосбережением [9, 11], трекинга (англ. tracking «отслеживание, сопровождение») объектов.

Тем не менее, одной из основных задач интеллектуальных систем охранного телевидения (СОТ) является контроль доступа в здание или на территорию охраняемого объекта. Таким образом, основными объектами распознавания являются лица людей и номерные знаки транспортных средств.

На данный момент проведено множество исследований в области разработки алгоритмов распознавания, а также на рынке существуют различные программные продукты интеллектуального охранного телевидения.

Несмотря на данный факт, системы подобного типа не получили широкого распространения, ввиду того, что основной проблемой является низкая устойчивость алгоритмов к воздействию внешних условий, затрудняющих качество распознавания:

1. Уровень освещения.

2. Качество изображения.

3. Наклоны изображения.

При этом алгоритмы, устойчивые к внешним условиям, зачастую оказываются требовательны к аппаратным вычислительным ресурсам, что затрудняет применение их в системах, работающих в реальном времени.

Таким образом, разработка методов и алгоритмов, лишенных указанных недостатков, является перспективным направлением. Данный факт подтверждается еще и тем, что разработки в данной области входят в перечень приоритетных направлений развития науки, технологий и техники Российской Федерации, утвержденный Указом Президента РФ №899 от 07.07.2011 года.

Данная работа посвящена повышению эффективности алгоритмов распознавания образов за счет повышения устойчивости их к воздействию внешних условий и снижению вычислительных требований. Работа ориентирована главным образом на практическое применение разработанных алгоритмов в интеллектуальной системе охранного телевидения.

Объектом исследования являются интеллектуальные системы охранного видеонаблюдения.

Предметом исследования являются методы и алгоритмы распознавания подвижных объектов для систем охранного телевидения.

Целью работы является повышение эффективности распознавания объектов в видеопотоке системы охранного видеонаблюдения за счет применения новых и модифицированных алгоритмов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести критический анализ существующих методов распознавания образов для систем охранного телевидения.

2. Разработать алгоритмы адаптивной предобработки на основе определения типа источника освещения с использованием интеллектуального видеоанализа.

3. Разработать эффективные алгоритмы локализации и распознавания номерных знаков транспортных средств, устойчивых к воздействию внешних условий.

4. Разработать алгоритм детекции подвижных объектов в видеопотоке, адаптирующийся под характеристики наблюдаемой сцены.

5. Реализовать программные модули для системы интеллектуального охранного видеонаблюдения с использованием предложенных алгоритмов.

6. Разработать и внедрить интеллектуальную систему охранного видеонаблюдения с использованием предложенных алгоритмов.

Основные положения, выносимые на защиту:

1. Модифицированный алгоритм для локализации номерных знаков транспортных средств (НЗ ТС) в видеопотоке на основе метода Виолы-Джонса с добавлением адаптивной предобработки и последовательной и параллельной двухпроходной классификации.

2. Модифицированный алгоритм детекции подвижных объектов в видеопотоке, особенностью которого является адаптация классификатора под изменяющиеся характеристики сцены и новые образы объектов.

3. Каскадная модель распознавания символов номерного знака с использованием нескольких различных нейроподобных распознающих модулей.

4. Модель, алгоритм и аппаратно-программный комплекс (АПК) улучшенной схемы управления освещением на основе датчиков движения и существующей системы охранного телевидения.

5. Интеллектуальная система биометрической идентификации и учета рабочего времени.

Методы исследования основаны на математическом моделировании исследуемых процессов, системном анализе, объектно-ориентированном программировании. Использовались современные пакеты прикладного программного обеспечения МаШСАЭ, Ма(;1аЬ, среда разработки С#. Также были проведены экспериментальные исследования разработанных алгоритмов на системе видеонаблюдения реального времени.

Научная новизна работы:

1. Разработан модифицированный алгоритм для локализации НЗ ТС в видеопотоке на основе метода Виолы-Джонса с добавлением адаптивной предобработки и последовательной и параллельной двухпроходной классификации.

2. Разработан модифицированный алгоритм детекции подвижных объектов в видеопотоке, особенностью которого является адаптация классификатора под изменяющиеся характеристики сцены и новые образы объектов.

3. Предложены модель, алгоритмы и АПК улучшенной схемы управления освещением на основе датчиков движения и существующей системы охранного телевидения.

4. Предложена каскадная модель распознавания символов номерного знака, особенностью которой является использование нескольких различных нейроподобных распознающих модулей.

Практическая значимость.

Предложенные в работе алгоритмы были применены при разработке систем интеллектуального охранного видеонаблюдения и учета рабочего времени.

Интеллектуальная система биометрической идентификации и учета рабочего времени вагтУ^ позволяет автоматизировать контрольно-пропускные функции системы охранного телевидения. Возможности системы заключаются в следующем: детекция и идентификация лиц; распознавание НЗ ТС; управление осветительными приборами и системами контроля доступа.

Результаты диссертационной работы внедрены в Технопарк ФГБОУ ВПО «КнАГТУ», в парковочный комплекс ИП Васенко В.О., в учебный процесс кафедры ИСКТиФ ФГБОУ ВПО «АмГПГУ».

По результатам работы получен 1 патент на полезную модель, 4 свидетельства о государственной регистрации программы для ЭВМ.

Основные результаты диссертационной работы были получены автором в ходе исследований, выполнявшихся в рамках научно-исследовательской работы «Интеллектуальная система биометрической идентификации и учета рабочего времени GarmViS».

Апробация работы. Основные положения и результаты диссертационной работы докладывались и получили одобрение на:

международных научно-практических конференциях «Актуальные проблемы математики, физики, информатики в вузе и школе», г. Комсомольск-на-Амуре, 2010, 2011, 2012;

Хабаровском краевом молодежном инновационном конвенте, г. Хабаровск, 2010;

конкурсе научных работ аспирантов ФГБОУ ВПО «АмГПГУ», 1е место, г. Комсомольск-на-Амуре, 2011.

XIII краевом конкурсе молодых учёных и аспирантов, г. Хабаровск,

2011;

конкурсе научных работ аспирантов ФГБОУ ВПО «АмГПГУ», 1е место, г. Комсомольск-на-Амуре, 2012;

всероссийском молодежном форуме «Селигер 2012», Победитель смены Зворыкинского проекта «Инновации и техническое творчество», оз. Селигер, 2012;

региональной конференции «Передовые идеи Дальнего Востока -XXI веку», победитель программы «У.М.Н.И.К. - 2012», г. Хабаровск, 2012

научно-методической конференции «Певзнеровские чтения», г. Комсомольск-на-Амуре, 2013;

международной инновационной выставке «АРХИМЕД-2013», г. Москва, 2013;

международной инновационной выставке «Высокие технологии. Инновации. Инвестиции» (HI-TECH 2013), диплом, г. Санкт-Петербург, 2013;

всероссийском конкурсе молодежных проектов на наиболее интересную и перспективную инновационную идею 2013, проводимом Национальной ассоциацией инноваций и развития информационных технологий (НАИРИТ), победитель, статус официального члена НАИРИТ;

всероссийском конкурсе молодежных инновационных проектов «Зворыкинская премия - 2013», полуфиналист, г. Москва, 2013;

региональном этапе road show российских институтов развития Startup Tour - 2014.

Данная работа соответствует приоритетным направлениям развития науки и техники и выполнена в рамках научно-исследовательской работы по программе «У.М.Н.И.К. - 2012» при поддержке «Фонда содействия малых форм предприятий в научно-технической сфере» по теме «Интеллектуальная система биометрической идентификации и учета рабочего времени GarmViS», а также по программе «СТАРТ HI 2013» при поддержке «Фонда содействия малых форм предприятий в научно-технической сфере» по теме «Интеллектуальная система биометрической идентификации и учета рабочего времени GarmViS» госконтракт № 11538р/2100.

Публикации. Основные результаты диссертации отражены в 10 печатных работах, в том числе 3 - в изданиях, входящих в Перечень российских рецензируемых научных журналов, рекомендованных ВАК. На созданные в процессе диссертационного исследования программные продукты получены свидетельства об официальной регистрации программы для ЭВМ №2014611783, № 2014614579, №2014615049, №2014615047. Получен патент на полезную модель №138401.

Структура и объем диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка литературы, приложения. Работа содержит 155 страниц основного текста, 56 рисунков, 10 таблиц, библиографический список из 120 наименований.

В первой главе дается понятие распознавания образов, история развития данной области. Обосновывается важность разработки и внедрения интеллектуальных систем охранного телевидения.

Сформулирована классическая постановка задачи распознавания образов. Приведена классификация и дан анализ методов и алгоритмов распознавания образов для систем охранного телевидения. В частности, приводятся недостатки следующих методов: методов, основанных на шаблонах; оператора Со-беля; метода Виолы-Джонса; нейросетевых методов и т.д.

Приведены нерешенные задачи для систем охранного телевидения. Рассмотрено решение проблемы повышения эффективности систем охранного телевидения с точки зрения системного подхода.

Вторая глава посвящена задаче локализации и распознавания НЗ ТС.

Проведен .критический анализ существующих алгоритмов локализации НЗ, на основании которого приводятся основные недостатки существующих алгоритмов.

Предложен модифицированный алгоритм локализации НЗ, особенностью которого является двухпроходная классификация с добавлением адаптивной предобработки.

С использованием тестовой выборки было доказано, что, в отличие от ранее используемых методов, предложенный алгоритм устойчив к изменчивым условиям съемки и качеству видео.

В третьей главе решаются задачи детекции лиц людей.

Был предложен комплекс показателей для предварительной оценки классификатора с использованием его обучающей выборки. Описан модифицированный алгоритм детекции подвижных объектов в видеопотоке, особенностью которого является адаптация классификатора под изменяющиеся характеристики сцены и новые образы объектов.

В четвёртой главе описывается интеллектуальная система биометрической идентификации и учета рабочего времени ОагтУТБ, построенная на базе разработанных алгоритмов.

Была дана общая характеристика СОТ, обоснована необходимость применения видеоаналитики в системах безопасности, а также описываются существующие разработки, с указанием их недостатков.

Сформированы технические и функциональные требования к интеллектуальной СОТ.

Обоснован выбор средств разработки и описана программная реализация разработанной системы.

Подробно описывается модуль управления энергосбережением, особенностью которого является объединение СОТ и аппаратных систем управления энергосбережением. Благодаря использованию видеоаналитики, для построения системы не требуется установка иных устройств, кроме существующей СОТ и датчиков движения.

Также в главе были описаны принципы работы разработанной системы.

В конце главы приводятся основные положения из бизнес-плана и доказывается экономическая эффективность разработки.

ГЛАВА 1

СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ

1.1 Роль методов распознавания и классификации образов в системах

охранного телевидения

Способность распознавать считается одним из основных свойств человека. Образ представляет собой описание объекта. Так, из множества характеристик объекта человек может определить необходимый образ. Данная способность представляет собой очень сложную информационную систему.

Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях: от военного дела и систем безопасности, до оцифровки всевозможных аналоговых сигналов. Вот только некоторые примеры задач распознавания образов:

• оптическое распознавание символов;

• распознавание НЗ ТС;

• детекция и идентификация лиц;

• распознавание отпечатков пальцев;

• распознавание подписи;

• распознавание речи;

• распознавание изображений.

Методы распознавания образов играют ведущую роль в большинстве научных сфер. Системы помогают поставить медицинский диагноз, обработать

нейробиологические сигналы, обнаружить и классифицировать гидроакустические сигналы, обработать изображения в промышленном контроле и в системах переработки информации и т.д.

Создание устройств, выполняющих функции распознавания различных объектов, в большинстве случаев обеспечивает возможность замены человека специализированным автоматом. Благодаря этому, значительно расширяются возможности сложных систем, выполняющих различные информационные, логические, аналитические задачи. Следует отметить, что качество работ, выполняемых человеком на рабочем месте, зависит от многих факторов (квалификации, опыта, добросовестности и т. д.). В то же время исправный автомат действует однообразно и обеспечивает всегда одинаковое качество. Автоматический контроль сложных систем позволяет вести мониторинг и обеспечивать своевременное обслуживание, идентификацию помех и автоматическое применение соответствующих методов шумоподавления, позволяет повысить качество передачи информации. Также понятно, что использование автоматических систем в ряде задач может обеспечить невозможное для человека быстродействие [76, 79, 80, 89].

Подытожив выше описанное, отметим основные причины замены человеческого участия в задачах распознавания:

• освобождение человека от однообразных операций для решения других более важных задач;

• повышение качества и скорости принимаемых решений.

В течение достаточно продолжительного времени проблема распознавания привлекает внимание специалистов в области прикладной математики, а затем и информатики. Так, в частности, отмечают работы Р. Фишера, выполненные в 20-х годах и приведшие к формированию дискриминантного анализа как одного из разделов теории и практики распознавания. В 40-х годах А. Н. Колмогоровым и А. Я. Хинчиным поставлена задача разделения смеси двух распределений [76, 79, 80, 89].

В 50-60-е годы XX века на основе массы работ появилась теория статистических решений. В результате этого появления найдены алгоритмы, обеспечивающие отнесение нового объекта к одному из заданных классов, что явилось началом планомерного научного поиска и практических разработок. В рамках кибернетики начало формироваться новое научное направление, связанное с разработкой теоретических основ и практической реализации устройств, а затем и систем, предназначенных для распознавания объектов, явлений, процессов. Новая научная дисциплина получила название «Распознавание образов» [76, 79, 80, 89].

Таким образом, базой для решения задач отнесения объектов к тому или иному классу послужили, как это отмечается сегодня, результаты классической теории статистических решений. В ее рамках строились алгоритмы, обеспечивающие на основе экспериментальных измерений параметров (признаков), характеризующих этот объект, а также некоторых априорных данных, описывающих классы, определение конкретного класса, к которому может быть отнесен распознаваемый объект [76, 79, 80, 89].

В последующем математический аппарат теории распознавания расширился за счет применения:

• разделов прикладной математики; теории информации;

• методов алгебры логики;

• математического программирования и системотехники.

И к середине 70-х годов определился облик распознавания как самостоятельного научного направления, появилась возможность создания нормальной математической теории распознавания [80].

Особый интерес представляют системы оптического распознавания образов (optical image recognition) — технология автоматического установления соответствия объекта, наблюдаемого системой компьютерного зрения, объектам определенного вида или класса. В дальнейшем в работе под распознаванием образов будем понимать оптическое распознавание образов. Частным видом являются оптическое распознавание символов и оптическое считывание меток.

Технология оптического распознавания позволяет в динамическом режиме идентифицировать объекты, имеющие простые геометрические формы. Сложные объекты распознаются лишь в статике. Например, изображения людей (в том числе отпечатков пальцев, сетчатки глаза) идентифицируются путем сопоставления объекта с его фотографическим изображением, хранящимся в памяти

На рисунке 1.1 изображена общая схема взаимосвязей различных областей знаний [92].

Рисунок 1.1- Общая схема взаимосвязей различных областей знаний.

Различные подходы к решению задачи распознавания образов в настоящее время получили дополнительный толчок к дальнейшему развитию решения разнообразных проблем, связанных с проектированием охранных систем. Безопасность может обеспечиваться только сложными интегрированными комплексами мероприятий и технических средств. За счет чего большую роль в интеллектуальных системах охранного телевидения играют методы оптического распознавания и классификации образов.

ЭВМ.

)

Объектами распознавания в таких системах являются:

• Лица людей

• Номера автомобилей

• «забытые» вещи

Система охранного телевидения (закрытые системы кабельного телевидения, ССТУ или СОТ) - система аппаратно-программных средств, предназначенная для осуществления видеонаблюдения [95].

Локальная система - система, область действия и применения которой ограничена географически территорией здания, предприятия, организации и т. п. Централизованная система имеет один центр и некоторое количество видеокамер. Децентрализованная система представляет собой совокупность нескольких централизованных систем, объединенных логически в одну структуру, но физически разделенных и способных функционировать независимо [95].

При охране больших территориально-распределенных объектов, мест скопления людей, а также при решении задач предотвращения террористической угрозы, розыска преступников и угнанного автотранспорта чрезвычайно важным становится использование интеллектуальных возможностей современного программного обеспечения систем охранного видеонаблюдения, в том числе функций поддержки принятия решений; оперативного анализа ситуации; распознавания лиц в потоке людей; распознавания регистрационных номеров, моделей и цвета автотранспорта; детекции движения; детекции оставленных предметов; слежения за перемещением предметов; детекции беспорядков в общественных местах и пр.

Все интеллектуальные системы видеонаблюдения используют видеоаналитику - технологию, использующую методы компьютерного зрения для автоматизированного получения различных данных на основании анализа последовательности изображений, поступающих с видеокамер в режиме реального времени или из архивных записей [97].

Видеоаналитика представляет собой программное обеспечение (ПО) для работы с видеоконтентом. В основе программного обеспечения лежит комплекс алгоритмов машинного зрения, позволяющих вести видеомониторинг и производить анализ данных без прямого участия человека. Алгоритмы видеоаналитики могут быть интегрированы в различные бизнес-системы, так как они чаще всего используются в видеонаблюдении и других сферах безопасности.

Видеоаналитика автоматизирует четыре функции средств охраны [97]:

1) обнаружение;

2) слежение;

3) распознавание;

4) прогнозирование.

Все четыре функции выполняются многократно, обеспечивая непрерывное уточнение гипотез о количестве, местоположении и типах объектов в контролируемой зоне, а также устранение избыточности в результатах. Периметральная видеоаналитика выполняет все четыре функции: обнаружение, слежение (для исключения повторных срабатываний по одному объекту), распознавание (для минимизации ложных срабатываний, вызываемых животными и другим «шумом» окружающего мира) и прогнозирование (для слежения при временном пропадании объекта из поля). Под распознаванием можно понимать широкий спектр задач: от классификации объекта на цель/шум, до идентификации или верификации объекта по биометрическим признакам.

Технология распознавания лиц на основе биометрии является «вершиной» видеоаналитики: она ставит наиболее сложные задачи и задействует широкий спектр математических инструментов. С одной стороны, биометрическая система реализует функцию распознавания, устанавливая вероятностную связь изображения с идентификаторами людей, зарегистрированных в базе данных. С другой стороны, биометрическая система требует безукоризненной работы функций обнаружения и слежения [97].

Примеры успешно решаемых задач с помощью функций видеоаналитики:

1. Распознавание с целью подсчёта людей и транспорта.

2. Распознавание номеров (на транспорте, на денежных купюрах, документах и т.п.).

3. Детектирование событий (перемещения, движения, пересечение допустимых линий и границ, нахождение в зонах, перебрасывание предметов через ограждение и т.п.).

4. Обнаружение опасных ситуаций (скопления людей, оставленные предметы, возгорания и задымления и т.п.).

5. Распознавание человеческих лиц и поиск их в базах данных.

Одним из наиболее частых требований к системам видео наблюдения является возможность узнать человека, определить нарушителя или, например, группу людей, совершающих противоправные действия. Вторым по значимости требованием является возможность распознавать автомобильные номера.

Основными потребителями данных систем являются банки, культурные учреждения, муниципальные объекты, склады, стратегические объекты, промышленные объекты и другие объекты, работающие с использованием пропускной системы, организации, использующие системы охранного телевидения, предприятия с повышенным уровнем безопасности.

1.2 Классическая постановка задачи распознавания образов

Образ, класс — классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку [79].

Распознавание образов — это классификация объектов по нескольким категориям или классам. Объекты называются образами. Будем считать, что все объекты разбиты на конечное число классов.

Измерения, используемые для классификации образов, называются признаками. Признак — это некоторое количественное измерение объекта произвольной природы. Совокупность признаков, относящихся к одному образу, называется вектором признаков. Вектора признаков принимают значения в пространстве признаков. В рамках задачи распознавания считается, что каждому образу ставится в соответствие единственное значение вектора признаков и наоборот: каждому значению вектора признаков соответствует единственный образ.

Классификатором или решающим правилом называется правило отнесения образа к одному из классов на основании его вектора признаков.

В работах [5, 29, 35, 53, 56, 79, 99] классическая постановка задачи оптического распознавания образов формулируется так.

Пусть имеется кадр видеопоследовательности, представляющий собой цифровое изображение. Необходимо отметить, что в этом кадре может присутствовать несколько объектов.

Дано X - множество признаковых описаний объектов. Признаком /объекта а является отображение>Р/, где Е)/- множество допустимых значений признака.

Каждый образ объекта а£Х может характеризоваться значениями признаков /¡, /=1, .., г , наборы которых одинаковы для всех объектов. Тогда вектор признаков х объекта аеХ может быть определен так:

И/,(4-./,.(«))• (1-1)

Вектор признаков допустимо отождествлять с самими объектами [57].

На всём множестве X существует разбиение на конечное множество классов У=(у;,у„).

Обучающая выборка представлена следующим образом."

{(х;,;;Д..,(хи ,;/,„)} ^ (1.2)

и представляет собой таблицу, строки которой помечены названиями объектов и содержат их признаковое описание. При этом каждой строке ставится в соответствие класс угЕ\.

Требуется построить функцию >У, сопоставляющую класс произвольному объекту из множества X.

Оптическое распознавание образов - это задача детекции и идентификации объекта или определения каких-либо его свойств по поступающему изображению [99].

Список литературы диссертационного исследования кандидат наук Иванов, Юрий Сергеевич, 2014 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Anil Z. Chitade. Colour based image segmentation using k-means clustering / Z. Anil Chitade. // International Journal of Engineering Science and Technology - 2010. - Vol. 2(10), 5319-5325.

2. Barroso J., Rafael A., Dagless E.L., Bulas-Cruz J. Number plate reading using computer vision [Электронный ресурс] / J. Barroso, A. Rafael, E.L. Dagless, Bulas-Cruz J. // Universidade de Tras-os-Montes e Alto Douro - Режим доступа: http://www.utad.pt/~jbarroso/html/isie97.html

3. Beauchemin S. S., Barron J. L. The computation of optical flow / Beauchemin S. S., Barron J. L. // ACM New York - USA - 1995.

4. Belhumeur P. N., Hespanha J. P., Kriegman D. J. Eigenfaces vs Fisher-faces: Recognition Using Class Specific Linear Projection./ P. N. Belhumeur, J. P. Hespanha, D. J. Kriegman // IEEE Transactions on Pattern Analysis and Machine Intelligence - 1997- Vol. 19 - pp. 711-720.

5. Burges C. A Tutorial on Support Vector Machines for Pattern Recognition / C. Burges // Data Mining and Knowledge Discovery. - 1998. - Vol. 2 - P. 121167.

6. Cauwenberghs G., Poggio T. Incremental and decremental support vec-tormachine learning / G. Cauwenberghs, T. Poggio //Neural Information Processing Systems. - 2000. - P. 209-218.

7. Chapelle O., Haffiier P., Vapnik V. Support vector for histogram-based image classification / O. Chapelle, P. Haffiier, V. Vapnik // IEEE transactions on Neural Networks. - 1999.-Vol. 10(5)-P. 1055-1065.

8. Chen X.R., Yuille A.L. Detecting and Reading Text in Natural Scenes / X.R. Chen, A.L. Yuille // Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition - 2004.

9. Chinnam S. Automatic detection of human and Energy saving based on Zigbee Communication / S. Chinnam // International Journal on Computer Science and Engineering (IJCSE) - 2011- Vol.3 - P. 2346-2353.

10. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines (and Other Kernel-Based Learning Methods) / N. Cristianini, J. Shawe-Taylor // CUP-2000.

11. Daniel O'Neill. Video Analytics Software And Intelligent Light Controls Help Satisfy Sustainability, Security [Электронный ресурс] / O'Neill. Daniel // Fa-cilitiesnet - 2009 - Режим доступа: http://www.facilitiesnet.com/security/arti-cle/Video-Analytics-Software-and-Intelligent-Light-Controls-Help-Satisfy-Sustain-ability-Security—11350.

12. David H. Hubel. Eye, blain and vision / H. Hubel. David // Scientific American library a division of help - New York.

13. Deb K., Lim H., Kang S. J., Jo К. H. An Efficient Method of Vehicle License Plate Detection Based on HSI Color Model and Histogram / K. Deb, H. Lim, S. J. Kang, К. H. Jo // In LNCS - 2009 - Vol. 5579 - pp. 66-75.

14. Devoid. Статьи для программистов [Электронный ресурс]. — Режим доступа: http://devoid.com.ua/csharp/environment-dot-net/architec-ture_dot_net.html.

15. Downs Т.,.Gates К. Е., Masters A. Exact simplification of support vectors solutions / T. Downs, K. E.Gates, A. Masters // Journal of Machine Learning Research - 2001. - Vol. 2 - P. 293-297.

16. Drom.ru - Автомобильный портал [Электронный ресурс]/ Режим доступа: http://drom.ru .

17. FERET Face database [Электронный ресурс]. - Режим доступа: http://itl.nist.gov/iad/humanid/feret/ .

18. Freund Y., Schapire R. Е. A Short Introduction to Boosting / Y. Freund, R. E. Schapire//Shannon Laboratory-USA - 1999-P. 771-780.

19. Fukushima К. Neocognition: a hierarchical neural network capable of visual pattern recognition / K. Fukushima // Neural Networks - 1988 - Vol.1 (2), P. 119-130.

20. Hallinan P. L„ Gordon G. G., Yuille A. L., Giblin P., Mumford D. Two-and Three-Dimensional Patterns of the Face. / P. L. Hallinan, G. G. Gordon, A. L. Yuille, P. Giblin, D. Mumford // Natick:A. K. Peters Ltd - 1999. - p.260

21. Haritaoglu I., Harwood D., Davis L. S. Real-Time Surveillance of People and Their Activities / I. Haritaoglu, D. Harwood, L. S. Davis // IEEE Transactions on pattern analysis and machine intelligence. - 2000. - Vol. 22 (8) - P. 809-830.

22. Harris C. G., Stephens M. J. Combined corner and edge detector / C. G. Harris, M. J. Stephens // Proc. Fourth Alvey Vision Conference. - 1988. - P. 147151.

23. Jan "Sochman, JiVi Matas. AdaBoost / Jan "Sochman, JiYi Matas // Center for Machine Perception, Czech Technical University - Prague - 2010/

24. JetBrains [Электронный ресурс]. - Режим доступа: http://jetbrains.ru/products/resharper/ /

25. Jia W., Zhang H., He X., Piccardi M. Mean Shift for Accurate License Plate Localization / W. Jia, H. He X. Zhang, M. Piccardi // Proc. of International Conference on Intelligent Transportation Systems - 2005 - p.566-571.

26. Keerthi S. S., Chapelle O., DeCoste D. Building support vector machines with reduced classifier complexity / S. S. Keerthi, O. Chapelle, D. DeCoste // Journal of Machine Learning Research - 2006. - Vol. 8 - P. 1 -22.

27. Keerthi S. S., DeCoste D. A modified finite newton method for fast solution of large scalelinear SVMs. / S. S. Keerthi, O. Chapelle, D. DeCoste // Journal of Machine Learning Research. - 2005. - Vol. 6. - P. 341-361.

28. Kernelchip [Электронный ресурс]. - Режим доступа: http://www.ker-nelchip.ru/.

29. Kim S., Kim D., Ryu Y. and Kim G. A Robust License-plate Extraction Method under Complex Image Conditions / S. Kim, D. Kim, Y. Ryu, G. Kim // Proc. of International Conference on Pattern Recognition - 2002 - vol.3 - p.216-219.

30. Kivinen J., Smola A., Williamson R. Online learning with kernels / J. Kivinen, A. Smola, R. Williamson //Advances in Neural Inf. Proc. Systems. - 2001. -Vol. 1 - P. 785-792.

31. Kjeldsen R., Kender J. Finding skin in color images / R. Kjeldsen, J. Kender //Second International Confrence on Automatic Face and Gesture Recognition.

32. Knerr S., Personnaz, L. Dreyfus G. Handwritten digit recognition by neural networks with single-layer training / S. Knerr, L. Personnaz, G. Dreyfus // IEEE Transactions on Neural Networks 3 - 1992 - P.962-968.

33. KNX [Электронный ресурс]. - Режим доступа http://www.knx.org/

34. Krzyzak A., Dai W., Suen C.Y. Unconstrained Handwritten Character Classification Using Modified Backpropagation Model / A. Krzyzak, W. Dai, C.Y. Suen // Proc. 1st Int. Workshop on Frontiers in Handwriting Recognition - Montreal, Canada - 1990 - P.155-166.

35. Learning OpenCV [Электронный ресурс]. - Режим доступа: http://locv.ru .

36. LeCun Y., Matan О., Boser В., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D., Baird H.S. Handwritten Zipcode Recognition With Multilayer Networks / Y. LeCun, O. Matan, B. Boser, J.S. Denker, D. Henderson, R.E. Howard, W. Hubbard, L.D. Jackel, H.S. Baird // Proc. of International Conference on Pattern Recognition - Atlantic City - 1990.

37. Lee Y. Handwritten digit recognition using К neares-neighbor, radialbasis function, and back-propagation neural networks / Y. Lee // Neural Computation 3,- 1991 - P. 440-449.

38. Martin G.L., Pitman, J. A. Recognizing hand-printed letters and dig-its using backpropagation learning. / G.L. Martin, J. A. Pitman // Neural Computation 3 - 1991 - P. 258-267.

39. Martinez A.M., Как A.C. PCA versus LDA / A.M. Martinez, A.C. Как // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2001. - 23 (2). -P. 228-233.

40. Mathwork Matlab [Электронный ресурс]. - Режим доступа: http://matlab.ru/products/matlab .

41. Matlab Compiler [Электронный ресурс]. - Режим доступа: http://matlab.exponenta.ru/matlabcompiler/default.php .

42. Maydt J., Lienhart R. Face Detection with Support Vector Machines and a Very Large Set of Linear Features / J. Maydt, R. Lienhart // IEEE ICME. - 2002, -P. 81-89.

43. Microsoft Visual Studio [Электронный ресурс]. - Режим доступа: http://www.visualstudio.com/ru-ru/visual-studio-homepage-vs.aspx .

44. MIT CBCL Face Data Set [Электронный ресурс]. - Режим доступа: http://cbcl.mit.edu/software-datasets/FaceData2.html.

45. Moghaddam В., Pentland A. Probabilistic Visual Learning for Object Representation. / B. Moghaddam, A. Pentland // IEEE Transactions on Pattern Analysis and Machine Intelligence - 1997 - Vol. 19 - P. 696-710.

46. Muller K.-R., Mika S., Ratsch G., Tsuda K., Scholkopf B. An introduction to kernel-based learning algorithms / K.-R. Muller, S. Mika, G. Ratsch, K. Tsuda, B. Scholkopf// IEEE Transactions on Neural Networks. - 2001. - Vol. 12(2), P. 181-201.

47. Orabona F., Castellini C., Caputo В., Jie L., Sandini G. On-line Independent Support Vector Machines / F. Orabona, C. Castellini, B. Caputo, L. Jie, G. Sandini // Pattern Recognition - 2010. - Vol. 43(4) - P. 1402-1412.

48. Paulo F., Rosa F., Sandro S. Lima A Pervasive Identification and Adaptation System for the Smart House / F. Paulo, F. Rosa, S. Sandro // IFIP International Federation for Information Processing Volume 154 - 2004 - P. 141-154.

49. Ralaivola L., d'Alcher Buc F. Incremental Support Vector Machine Learning: A Local Approach / L. Ralaivola, F. d'Alcher Buc // Lecture Notes in Computer Science. - 2001. - Vol. 2130 - P. 322-329.

50. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Nature (London) - 1986 - Vol.323 - 533-536.

51. Ruping S. Incremental learning with support vector machines / S. Ruping 11 Techn. Report TR-18. - 2002. - P. 641-642.

52. Seong-Wang L., Young J. K. Off-line Recognition of Totally Unconstrained Handwritten Numerals Using Multilayer Cluster Neural Network / L. Seong-Wang, J. K. Young // Proc. Of the 12th IAPR International Conference on Pattern Recognition. Jerusalem, Israel - 1994 - P. 507-509.

53. Sochman J., Matas J. AdaBoost with totally corrective updates for fast face detection [Электронный ресурс]/ J. Sochman, J. Matas // Center for Machine Perception, Czech Technii cal University, Prague - 2004 - Режим доступа: http://cmp.felk.cvut.cz/~sochmj 1 /

54. Syed N. A., Liu H., Sung К. K. Incremental learning with support vector machines / N. A. Syed, H. Liu, К. K. Sung // International Joint Conference on Artificial Intelligence (IJCAI). - 1999. - P. 876-892.

55. Tung H.C. Hybrid energy management solution for smart building/ H.C.Tung // Consumer Electronics (ICCE), 2011 IEEE International Conference -Hong Kong - 2011 - P. 509-510.

56. Viola P., Jones M.J. Rapid object detection using a boosted cascade of simple features / P. Viola, M.J. Jones // IEEE Conf. on Computer Vision and Pattern Recognition. - Kauai, Hawaii, USA - 2001. - V. 1. - P. 511-518.

57. Viola P., Jones M.J. Robust Real-Time Face Detection / P. Viola, M.J. Jones // International Journal of Computer Vision. - 2004. - Vol. 57(2) - P. 137-154.

58. Visual C# [Электронный ресурс]. - Режим доступа: http://msdn.mi-crosoft.com/ru-ru/library/kx37x362.aspx

59. Wing Т. Н., HaoWooi L., Yong H. Two-Stage License Plate Detection Using Gentle Adaboost and SIFT-SVM / Т. H. Wing, L. HaoWooi, H. Yong // First Asian Conference on Intelligent Information and Database Systems - 2006 - P. 109114.

60. Zhang Z. A flexible new technique for camera calibration / Z. Zhang // IEEE Transactions on Pattern Analysis and Machine Intelligence - 2000 - Vol.22, No.ll - p. 1330—1334.

61. Zhao W., Chellapa R., Krishnaswamy A., Swets D., Weng J. Discriminant analysis of principle components for face recognition / W. Zhao, R. Chellapa, A. Krishnaswamy, D. Swets, J. Weng // 2nd International Conference on Automatic Face and Gesture Recognition. —1998. — P. 336-341.

62. Zheng D., Zhao Y., Wang J. An efficient method of license plate location / D. Zheng, Y. Zhao, J. Wang // Pattern Recognit. Lett. - 2005 - vol. 26, no. 15 - P. 2431-2438.

63. Абрамов H. А. Программная система выявления нелегитимной активности на промышленных площадках: дис. ... канд. техн. наук : 05.13.11 Абрамов Николай Александрович. — Москва, 2013. — 114 с.

64. Алпатов Б.А., Селяев A.A. Алгоритм оценки местоположения объекта на двумерном изображении / Б.А. Алпатов, A.A. Селяев // Изв. вузов. Приборостроение - 1988 - T. XXXI. № 5. - С. 3-6.

65. Амосов О.С. Интеллектуальные информационные системы. Нейронные сети и нечеткие системы : учебное пособие для студентов специальностей 010502 «Прикладная информатика (по областям)», 230201 «Информационные системы и технологии» вузов региона / О. С. Амосов.— Комсомольск-на-Амуре, КнАГТУ - 2006. 136 с.

66. Амосов О.С. Нейросетевые и нечеткие методы оценивания стохастических систем : автореф. ... д-ра техн. наук : 05.13.18 / Амосов Олег Семенович. — Владивосток, 2004. — 37 с.

67. Амосов О.С. Нейросетевые и нечеткие методы оценивания стохастических систем : дис. ... д-ра техн. наук : 05.13.18 / Амосов Олег Семенович. — Комсомольск-на-Амуре, 2004. — 352 с.

68. Амосов О.С., Елисеев М.Е., Тихонов A.C. Опыт исследования, разработки, внедрения и перспективы развития интеллектуальной управляемой энергосберегающей системы освещения университета / О.С. Амосов, М.Е. Елисеев, A.C. Тихонов // Ученые записки комсомольского-на-амуре государственного технического университета - 2013 - № 1 (13) - С. 26-36.

69. Библиотека компьютерного зрения OpenCV [Электронный ресурс].

- Режим доступа: http://docs.opencv.org/trunk/doc/py_tututoria/py_objde-tect/py__face_detection/py_face_detection.html.

70. Брилюк Д., Старовойтов В. Нейросетевые методы распознавания изображений. [Электронный ресурс]. / Д. Брилюк, В. Старовойтов // Neuroface

- Режим доступа: http://neuroface.narod.ru/index.htm

71. Буй Т.Т.Ч. Алгоритмы распознавания лиц и жестов на основе вейвлет-преобразований и метода главных компонент дис. ... канд. техн. наук : 05.13.11 Буй Тхи Тху Чанг. — Томск, 2014. — 145 с.

72. Быков P.E. Основы телевидения и видеотехники: Учеб. для вузов / P.E. Быков — . М.: Горячая линия - телеком, 2006. 399 с.

73. Галуев Г.А., Тараненко A.C., Нейросетевая система автоматической идентификации номерных знаков / Г.А. Галуев, A.C. Тараненко // Нейрокомпьютеры: разработка, применение - 2004 - № 5/6 - С.19-36.

74. Ганин А. Н. Сопровождение и распознавание объектов на телевизионных изображениях: дис. ... канд. техн. наук : 05.12.04 Ганин Александр Николаевич. — Ярославль, 2013. — 149 с.

75. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей. / В.А. Головко - Брест: БПИ, 1999. - 228с.

76. Головко В.А. Нейроинтеллект: Теория и применения. Книга1. Организация и обучение нейронных сетей с прямыми и обратными связями. / В.А. Головко- Брест: БПИ, 1999. - 260с.

77. Гонсалес Р., Вудс Р. Цифровая обработка изображений / Р. Гонса-лес, Р. Вудс - М: Техносфера, 2005. - 1072 с.

78. Двойной И. Р. Методы распознавания изображения лица человека по цветовым признакам и идентификации личности на основе скрытых марковских моделей в системах видеонаблюдения: дис. ... канд. техн. наук : 05.13.17 Двойной Илья Ростиславович. — Пенза, 2013. — 145 с.

79. Журавлёв Ю.И. Распознавание. Классификация. Прогноз. Математические методы и их применение. / Ю.И. Журавлёв Вып.2. М.: Наука, 1989.

80. Колесников С. Распознавание образов. Общие сведения / С. Колесников // Сайт газеты "Компьютер-Информ" [Электронный ресурс]. - Режим доступа: http://www.ci.ru/inform03_06/p_24.htm

81. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» для студентов, обучающихся по направлению «Информатика и вычислительная техника» / П.Г. Круг М:МЭИ, 2002.

82. Круглов В.В., Дли М.И., Голунов Р.Ю., Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов — М.: Физ-матлит, 2001. —224 с.

83. Куликов А. А. Развитие и применение методов, алгоритмов и программных средств автоматической видео идентификации для предоставления индивидуального доступа по изображению лица: дис. ... канд. техн. наук : 05.13.11 Куликов Александр Анатольевич. — Москва, 2014. — 323 с.

84. Луизов А. В. Цвет и свет. / А. В. Луизов- Л.: Энергоатомиздат, 1989. -256 с.

85. Методы компьютерной обработки изображений / под ред. Сойфера В.А. - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

86. Мисюрёв А.В. Использование искусственных нейронных сетей для распознавания рукопечатных символов [Электронный ресурс] / А.В. Мисюрёв // Режим доступа: http://www.ocrai.narod.ru

87. Мокеев В.В., Томилов C.B. О решении проблемы выборки малого размера при использовании линейного дискриминантного анализа в задачах распознавания лиц / В.В. Мокеев, C.B. Томилов // «Бизнес-информатика», №1(23), 2013. С. 37-43.

88. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдинидр. - Новосибирск: Наука. Сибирское предприятие РАН, 1998. (http://www.neuropower.de/rus).

89. Осовский С. Нейронные сети для обработки информации. / С. Осов-ский — М.: Финансы и статистика, 2002.

90. Охотников С. А. Распознавание видеоизображений объектов заданной формы на основе анализа их контуров: дис. ... канд. техн. наук : 05.12.04 Охотников Сергей Аркадьевич. — Владимир, 2014. — 155 с.

91. Пахирка А. И. Компьютерный метод локализации лиц на изображениях в сложных условиях освещения: дис. ... канд. техн. наук : 05.13.01 Пахирка Андрей Иванович. — Красноярск, 2011. — 106 с.

92. Попко Е. Распознавание образов: с чего начинать [Электронный ресурс]. / Е. Попко // Класс робототехники - Режим доступа: http://r0b0tclass.ru/pacn03HaBaHHe-06pa30B-c-4er0-Ha4HHaT/

93. Свет Д. Я. Оптические методы измерения истинных температур / Д. Я. Свет- М.: Наука, 1982. - 296 с.

94. Сибикин Ю. Д., Сибикин М. Ю. Технология энергосбережения. / Ю. Д. Сибикин, М. Ю. Сибикин- М.: Форум, 2012. - 352 с.

95. Система видеонаблюдения. [Электронный ресурс]. - Режим доступа: http:// Ьйр://ги^1к1ре&а.о^/ш11а/Система_видеонаблюдения/

96. Стрельников К. Н. Исследование и разработка алгоритмов для решения задачи устойчивого видеослежения в больших помещениях: дис. ... канд. физ.-мат. наук : 05.13.11 Стрельников Константин Николаевич. — Москва, 2009. — 114 с.

97. Торстен А., Иво К., Харальд Л. Видеоаналитика: Мифы и реальность / А. Торстен, К. Иво, Л. Харальд // Security Focus - 2012. — 176 с.

98. Трапезников И. Н. Разработка и анализ системы распознавания автомобильных регистрационных знаков: дис. ... канд. техн. наук : 05.12.04 Трапезников Илья Николаевич. —Ярославль, 2014. — 136 с.

99. Ту Д., Гонсалес Р. Принципы распознавания образов. / Д. Ту, Р. Гон-салес -М.: Мир, 1978.

100. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений: учеб. пособие. / В.Т. Фисенко, Т.Ю. Фисенко - СПб: СПбГУ ИТМО, 2008. - 192 с.

101. Хайкин С. Нейронные сети. Полный курс 2-е изд. Пер. с англ./ С. Хайкин - М.: Издательский дом "Вильяме", 2006. — 1104 с.

102. Хомяков М. Ю. Методы обработки изображения лица человека по цветовой и контурной информации и аппаратно-программные средства биометрической идентификации: дис. ... канд. техн. наук : 05.12.04 Хомяков Марат Юрьевич. — Санкт-Петербург, 2012. — 205 с.

103. Черкас П. С. Методы, алгоритмы и средства автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени: дис. ... канд. техн. наук : 05.13.01 Черкас Павел Сергеевич. —Череповец, 2013. — 149 с.

104. Шмаглит JT. А. Разработка и анализ алгоритмов распознавания лиц на телевизионных изображениях для биометрической идентификации: дис. ... канд. техн. наук: 05.12.04 / Шмаглит Лев Александрович. — Ярославль, 2014. — 119 с.

ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Журналы рецензируемые ВАК:

105. Амосов О.С., Иванов Ю.С. Модель, алгоритмы и аппаратно-

программный комплекс для управления освещением на основе системы охранного телевидения / О.С. Амосов, Ю.С. Иванов // «Информатика и системы управления» — 2013 - № 1 (35) - С. 156-166.

106. Амосов О.С., Иванов Ю.С. Модифицированный алгоритм локализации номерных знаков транспортных средств на основе метода Виолы-Джонса / О.С. Амосов, Ю.С. Иванов // «Информатика и системы управления» - 2014 - № 1 (39) - С. 127-140.

107. Амосов О.С., Иванов Ю.С. Модифицированный алгоритм детекции лиц в вндеопотоке и его программная реализация [Электронный

ресурс] / О.С. Амосов, Ю.С. Иванов // Интернет-журнал «Науковедение» -2014 - №3 (22) - Режим доступа: http://naukovedenie.ru/PDF/23TVN314.pdf.

Патенты и свидетельства о регистрации ПО ЭВМ:

108. Амосов О.С., Иванов С.Н., Иванов Ю.С. Интеллектуальная изоляционная система / ООО МИП «Позитрон-ДВ» при ФГБОУ ВПО «КнАГТУ» -Патент на полезную модель № 138401; заявка № 2013133649/07 от 18.07.2013; опубл. 10.03.2014.

109. Свидетельство о государственной регистрации программы для ЭВМ №2014614578. «Интеллектуальная программа для автоматизации автостоянок GarmVIS Parking». // ООО МИП «Позитрон-ДВ» при ФГБОУ ВПО «КнАГТУ», О.С. Амосов, Ю.С. Иванов, Д.П. Катунцев - Заявка №2014611783. Дата поступления 04.03.2014. Зарегистрирована 29.04.2014.

110. Свидетельство о государственной регистрации программы для ЭВМ №2014614579. «Интеллектуальная программа для управления освещением GarmVIS Smart Light». // ООО МИП «Позитрон-ДВ» при ФГБОУ ВПО «КнАГТУ», О.С. Амосов, Ю.С. Иванов, Д.П. Катунцев - Заявка №2014611784. Дата поступления 04.03.2014. Зарегистрирована 29.04.2014.

111. Свидетельство о государственной регистрации программы для ЭВМ №2014615049. «Интеллектуальная программа для автоматической идентификации личности по отпечаткам пальцев FinPrintID». // ООО МИП «Позитрон-ДВ» при ФГБОУ ВПО «КнАГТУ», О.С. Амосов, Ю.С. Иванов, Л.В. Астафьева - Заявка №2014612573. Дата поступления 26.03.2014. Зарегистрирована 15.05.2014.

112. Свидетельство о государственной регистрации программы для ЭВМ №2014615047. «Интеллектуальная программа для автоматической верификации личной подписи SignRE verification». // ООО МИП «Позитрон-ДВ» при ФГБОУ ВПО «КнАГТУ», О.С. Амосов, Ю.С. Иванов, A.A. Авдеенко - Заявка №2014612572. Дата поступления 26.03.2014. Зарегистрирована 15.05.2014.

В журналах и сборниках международных и всероссийских конференций:

113. Иванов Ю.С. Обзор нейросетевых технологий в задачах распознавания лиц / Ю.С. Иванов // Актуальные проблемы математики, физики, информатики в вузе и школе: Всероссийская научно-практическая конференция — 2010 - С. 90-94

114. Иванов Ю.С. Применение модифицированного алгоритма ViolaJones к задаче обнаружения лица человека в видеопотоке / Ю.С. Иванов // Актуальные проблемы математики, физики, информатики в вузе и школе: Международная научно-практическая конференция, 2012 г. - Комсомольск-на-Амуре: Изд-во АмГПГУ - 2012. - С. 52-61

115. Иванов Ю.С., Соловьева А.О. Программная реализация нейропо-добных структур для распознавания речи / Ю.С. Иванов, А.О. Соловьева // Научно-техническое творчество аспирантов и студентов: Материалы 44-ой научно-технической конференции аспирантов и студентов (г. Комсомольск-на-Амуре 2014 г. - Комсомольск-на-Амуре: ФГБОУ ВПО «КнАГТУ» - 2014.

116. Иванов Ю.С. Сравнительный анализ алгоритмов и систем компьютерного зрения для распознавания и анализа лица человека. / Ю.С. Иванов // Актуальные проблемы математики, физики, информатики в вузе и школе: Международная научно-практическая конференция, 2011 г. — Комсомольск-на-Амуре: Изд-во АмГПГУ - 2011. - С. 53-57

117. Иванов Ю.С., Авдеенко A.A. Обзор метода верификации личности по подписи и разработка программного обеспечения / Ю.С. Иванов, A.A. Авдеенко // Вестник научного общества студентов, аспирантов и молодых ученых: Электронный выпуск. - 2014. — № 1. - 5 с.

118. Иванов Ю.С., Астафьева J1.B. Обзор методов распознавания образов при разработке автоматической системы идентификации личности по отпечаткам пальцев / Ю.С. Иванов, JI.B. Астафьева // Вестник научного общества студентов, аспирантов и молодых ученых: Электронный выпуск. - 2014. — № 1. -

119. Иванов Ю.С., Катунцев Д.П. Обзор методов локализации и распознавания номерных знаков при разработке системы автоматизации парковоч-ного комплекса. / Ю.С. Иванов, Д.П. Катунцев // Вестник научного общества студентов, аспирантов и молодых ученых, 2013 г. - Комсомольск-на-Амуре: Изд-во АмГПГУ - 2013.

120. Иванов Ю.С., Катунцев Д.П. Платформа программного комплекса автоматизированной системы безопасности GARMVIS. / Ю.С. Иванов, Д.П. Катунцев // Вестник научного общества студентов, аспирантов и молодых ученых, 2013 г. - Комсомольск-на-Амуре: Изд-во АмГПГУ -2013.