Методы распознавания изображения лица человека по цветовым признакам и идентификации личности на основе скрытых марковских моделей в системах видеонаблюдения тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Двойной, Илья Ростиславович

• Двойной, Илья Ростиславович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Двойной, Илья Ростиславович

СОДЕРЖАНИЕ

Введение

1 Методы автоматической идентификации личности человека по изображению лица

1.1 Обзор существующих методов

1.2 Классификация признаков, используемых при автоматической сегментации изображения

1.2.1 Геометрические признаки

1.2.2 Топологические признаки

1.2.3 Вероятностные признаки

1.2.4 Спектральные признаки

1.2.5 Цветовые признаки

1.3 Методы обработки и анализа изображений в задачах машинного зрения

1.3.1 Метод главных компонет

1.3.2 Линейный дискриминантный анализ

1.3.3 Гибкие контурные модели

1.3.4 Сравнение эластичных графов

1.3.5 Методы, основанные на геометрических признаках лица

1.3.6 Скрытые марковские модели

1.4 Оценка эффективности применения алгоритмов машинного зрения в системе видеонаблюдения

1.5 Постановка задач исследования

2 Метод сегментации изображения лица человека по цветовому признаку

2.1 Анализ особенностей цвета кожи человека

2.2 Дополнительные признаки, характеризующие область лица: волосы,

глаза, зубы

2.3 Алгоритм классификации пикселей

2.4 Определение границ объектов, попавших в область переднего плана

2.5 Графы смежности областей изображения

2.6 Селекция выделенных областей по геометрическим признакам

2.7 Метод оценки эффективности использования цветовых пространств

для сегментации по цветовому признаку

2.8 Разработка специализированного цветового пространства

2.9 Выбор цветового пространства

2.10 Выводы

3 Метод распознавания личности человека по изображению лица на

основе скрытых марковских моделей

3.1 Выбор структуры СММ

3.2 Выбор оптимальных признаков, формирующих алфавит скрытой марковской модели

3.3 Обучение СММ

3.4 Алгоритм поиска соответствий в базе данных

3.5 Выбор оптимальных параметров СММ для решения задачи распознавания личности

3.6 Выводы

4 Моделирование разработанных алгоритмов

4.1 Средства разработки

4.2 Требования к аппаратно-программной платформе

4.3 Требования к исходным данным

4.4 Описание аппаратно-программного комплекса

4.5 Оценка полученных результатов

4.6 Перспективы развития системы

4.6.1 Реализация на языке высокого уровня

4.6.2 Отслеживание перемещения

4.7 Выводы

Заключение

Список сокращений

Список литературы

Приложение А. Акты о внедрении

3

Введение диссертации (часть автореферата) на тему «Методы распознавания изображения лица человека по цветовым признакам и идентификации личности на основе скрытых марковских моделей в системах видеонаблюдения»

ВВЕДЕНИЕ

Актуальность темы. Возросший за последнее время уровень социальной напряженности в связи с непрекращающейся угрозой террористических атак усиливает роль технических средств видеоконтроля, устанавливаемых в местах повышенной концентрации людей (стадионы, станции метро, вокзалы и т.п.). В настоящее время системы видеонаблюдения применяются преимущественно для фиксации происходящих событий с целью обеспечения проведения возможных следственных действий. Актуальным является использование систем видеонаблюдения также для осуществления превентивной функции, заключающейся в своевременном автоматическом выявлении находящихся в розыске лиц, ранее причастных к организации беспорядков, порче общественного имущества и т.п. Особую роль для реализации подобных систем играют способы распознавания личности по изображению лица человека.

Существующие подходы к решению задачи установления личности человека по изображению лица во многом были сформированы в 80-х годах прошлого века. Несмотря на большое количество ежегодно выходящих посвященных данной теме публикаций, решение указанной задачи по-прежнему требует совершенствования аппаратных и программных средств с целью улучшения временных и вероятностных характеристик процесса идентификации.

Наиболее полный обзор существующих алгоритмов технического зрения приводится в работах таких ученых, как Дуда Р., Харт П. [9], Шапиро Л., Стокман Д. [30], Форсайт Д., Понс Ж. [29], Прэтг У. [75], Розенфельд А. [22], Федотов Н.Г., Сальников И.И. [48] и др.

Отличительной особенностью сложившегося подхода к распознаванию изображений является использование единого признака как для сегментации изображения на составляющие объекты, так и для последующей классификации объектов, следствием чего, как правило, оказываются высокая вычислительная сложность алгоритмов распознавания и наличие жестких ограничений на условия

формирования изображений. По этой причине для решения практических задач требуется создание новых методов, основанных на анализе целого ряда дополняющих друг друга признаков, таких как цвет, форма, взаимное расположение выделенных объектов и их составных частей и т.п.

Кроме того, следует принимать во внимание непрерывное совершенствование методов анализа изображений, повышение быстродействия испульзуемых для этой цели технических средств, а также возможности увеличения числа процессоров вычислительной системы и распараллеливания вычислительных процессов.

Современные видеокамеры наружного наблюдения позволяют получить цветное изображение размером 1920x1080 пикселей и более с частотой порядка 25-30 кадров в секунду Столь высокие характеристики дают основание пересмотреть ранее сформировавшиеся подходы к задаче распознавания лиц в системах, основанных на применении видеокамер наблюдения.

Цвет является мощным средством распознавания и различения объектов на изображении. Несмотря на это, в существующих методах и алгоритмах распознавания лица человека ему, как правило, отводится второстепенная роль, либо его значение вовсе не учитывается. Причиной этого является то, что до недавнего времени видеокамеры наблюдения, работающие в цветном режиме, были мало распространены из-за невысокой светочувствительности и низкой контрастности получаемого изображения. Современный уровень развития техники снимает подобные ограничения.

Как показывают эксперименты, цвет кожи разных людей локализуется в рамках небольшой ограниченной области цветового пространства. Даже при рассмотрении цветов кожи людей различной расовой принадлежности не наблюдается существенного увеличения цветового разброса. Исследования в данной области свидетельствуют о том, что основное отличие заключается не в оттенке цвета, а в его яркости, что позволяет использовать характерный цвет кожи как признак для распознавания лиц.

Метод распознавания лиц, основанный на анализе цветовых признаков, позволяет всего за один проход по изображению выделить области, содержащие лица людей. Однако он не может ответить на вопрос, кому эти лица принадлежат. Для решения задачи распознавания необходимо использовать методы, в большей степени учитывающие персонифицированные признаки, нежели общеклассовые. Для этих целей хорошо подходят алгоритмы, основанные на применении скрытых марковских моделей (СММ).

Как устойчивый распознаватель с большим количеством настраиваемых параметров метод на основе СММ позволяет в полной мере учесть особенности изображения лица, уменьшить влияние таких факторов, как освещение, искажения перспективы, искажения, связанные с использованием широкоформатных объективов и пр. Помимо этого существует возможность учесть двумерную структуру изображения, тем самым исключая возможность ошибочной классификации области глаз как области рта и т.п.

На сегодняшний день теория СММ составляет основу индустриального стандарта для приложений, осуществляющих распознавание речи. СММ успешно применяются для решения задач распознавания рукописного текста и биоинформатики. Возможность применения СММ в задачах идентификации личности человека проработана в значительно меньшей степени. Отчасти это объясняется наличием уже устоявшихся, проверенных временем алгоритмов, отчасти - сложностью выбора оптимальных с точки зрения идентификации личности параметров СММ, требующего проведения теоретических изысканий, разработок и экспериментальных исследований.

В этой связи, тема диссертационного исследования, посвященная распознаванию изображения лица человека по цветовым признакам с целью идентификации его личности для применения в системах видеонаблюдения, является актуальной.

Цель настоящей работы состоит в совершенствовании методов

автоматизированной идентификации личности при анализе изображений в

6

системах видеонаблюдения и повышении на этой основе уровня безопасности людей в местах их массового скопления.

Для достижения поставленной цели сформулированы следующие задачи:

1) разработка метода и алгоритма кодирования цветного изображения для сегментации по цветовым признакам с целью выделения областей, содержащих информацию о лице человека;

2) обоснование и разработка математической модели описания отличительных особенностей изображения лица на основе скрытой марковской модели, а также выбор признаков, формирующих алфавит наблюдаемой последовательности признаков;

3) разработка метода и алгоритма выделения ключевых признаков, характеризующих представленное на изображении лицо;

4) разработка алгоритма поиска в базе данных соответствий выделенных признаков анализируемого изображения эталонным признакам.

Объектом исследования в диссертационной работе являются системы автоматического установления личности по изображению лица, поступающему с видеокамер наблюдения.

Предметом исследования являются методы и алгоритмы для систем технического зрения, позволяющие выделять характерные признаки изображения лица человека, сохранять их в базе данных, а также производить поиск соответствий признаков анализируемого изображения эталонам.

Методы и средства исследования. При решении поставленных задач использовались положения теории распознавания образов, теория систем технического зрения, методы математического анализа, теория цветового кодирования изображений, методы цифровой обработки сигналов и интегрированные среды разработки программ.

Научная новизна работы. Новыми являются следующие научные результаты.

1. Разработан новый метод сегментации изображения, основанный на

применении специализированного цветового пространства, реализующий

7

алгоритмы выделения областей по цветовым признакам объектов, позволяющие выявить элементы изображения кожи человека с высокой степенью точности.

2. Математическая модель описания изображения лица человека с выявлением отличительных признаков на основе скрытой марковской модели с псевдодвумерной структурой, позволяющая распознать человека по изображению лица.

3. Метод выделения ключевых признаков, характеризующих изображение лица, на основе алгоритмов динамического программирования.

4. Алгоритм поиска соответствий выделенных признаков изображения эталонным признакам в базе данных, основанный на определении вероятности генерирования наблюдаемой кодовой последовательности каждой из имеющихся скрытых марковских моделей с помощью алгоритма прямого хода.

Практическая значимость работы заключается в том, что применение разработанных методов и алгоритмов позволяет увеличить вероятность правильного распознавания изображения лица человека по цветовым признакам и идентификации личности человека по его изображению в системах видеонаблюдения и на этой основе повысить уровень безопасности людей в местах их массового скопления.

Реализация и внедрение результатов работы. Разработанные методы и алгоритмы выделения лица на изображении человека в системах видеонаблюдения использованы в разработках центра по охране объектов органов государственной власти и правительственных учреждений г. Москвы ФГКУ УВО ГУ МВД России по г. Москве, а также применяются в учебном процессе при обучении студентов по направлению подготовки 230100 - «Информатика и вычислительная техника» в Пензенском государственном технологическом университете в рамках дисциплин «Системы искусственного интеллекта» и «Системы технического зрения».

Достоверность и обоснованность научных положений и выводов

подтверждается корректностью допущений и ограничений при выводе

8

математических выражений, согласованностью основных теоретических положений диссертации с практической реализацией предложенных решений, а также с результатами вычислительных экспериментов.

Положения, выносимые на защиту:

1) метод и алгоритм сегментации изображения, основанный на применении специализированного цветового пространства, позволяющий выделить область лица на изображении человека по цветовым признакам;

2) математическая модель процесса выделения отличительных признаков изображения лица, основанная на теории скрытых марковских моделей, позволяющая распознать изображение лица человека;

3) метод выделения ключевых признаков, характеризующих изображение лица человека;

4) алгоритм поиска соответствия признаков лиц эталонным признакам в базе данных, основанный на определении вероятности генерации наблюдаемой последовательности каждой из имеющихся скрытых марковских моделей.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на ежегодной Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов» (г. Пенза, 2010, 2012, 2013 гг.), на III научной конференции аспирантов и молодых ученых (г. Пенза, 2010 г.), на IV Международной электронной научной конференции студентов и аспирантов «Студенческий научный форум» (2012 г.).

Публикации. По результатам исследований опубликовано 9 печатных работ, из них 3 - в изданиях, рекомендованных ВАК.

Личный вклад автора. Основные изложенные в диссертации новые

результаты получены лично автором. В работах, опубликованных в соавторстве,

автору принадлежат: в [78] - вывод уравнений и проведение экспериментальной

части исследования; в [90] - разработка алгоритмов; в [71] - выбор группы

цветовых пространств и проведение их сравнительного анализа; в [76] - вывод

9

формул для представления кодов цвета в полярной системе координат и разработка алгоритма сегментации.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, основных результатов и выводов по работе, списка литературы из 95 наименований и приложения. Работа изложена на 145 страницах основного текста, включающего 66 рисунков и 6 таблиц.

1 МЕТОДЫ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА

1.1 Обзор существующих методов

Интерес к проблеме установления личности человека по фотопортрету со стороны научного сообщества существует на протяжении не одного десятка лет. Многие из используемых сегодня алгоритмов были описаны во второй половине прошлого века [1]. Несмотря на это системы автоматического установления личности до сих пор не получили массового распространения. Во многом это связано с высокой вычислительной сложностью применяемых алгоритмов. В настоящее время идентификация личности приобретает все большую актуальность, с одной стороны благодаря удешевлению вычислительной техники, с другой - возросшему общественному запросу.

Биометрические технологии [2] являются одним из перспективных подходов к распознаванию человека, позволяющим отказаться от использования паролей, смарт-карт, токенов, ключей и т.д. Биометрический подход [3] основан на анализе индивидуальных физических характеристиках (особенности строения лица, отпечатки пальцев, геометрия пальцев, геометрия руки, рисунок вен, радужная оболочка глаза, голос и т.д.) и поведенческих особенностях (походка, подпись, динамика нажатия клавиш и т.д.) человека. Применение биометрических технологий может существенно упростить человеко-машинный интерфейс, сохранив высокий уровень безопасности.

Если говорить об идентификации на основе изображения лица человека [4], то с одной стороны, она является менее надежной, чем идентификация на основе отпечатков пальцев, или радужной оболочки глаза, так как не позволяет установить факт подделки, основываясь на дополнительных сведениях, к примеру, биологических показателях (пульс, температура и т.д.). Подобную систему можно «обмануть» [2] с помощью специальной маски, загримировавшись, или, в простейшем случае, поднеся к камере распечатанное изображение другого

человека. Наличие таких уязвимоетей существенно сужает область применения данной технологии.

С другой стороны, для получения изображения не требуется физического контакта с человеком, что является преимуществом для применения в сфере безопасности и скрытого контроля. В условиях социальной напряженности и возросшей террористической угрозы технологии установления личности могут применяться для обнаружения людей ранее причастных к организации беспорядков, лиц находящихся в розыске и т.д., в местах повышенной концентрации людей (метро, стадионы, вокзалы и т.п.).

Помимо этого, распознавание лиц может быть использовано для смежных областей [5], таких как определение пола, распознавание эмоций, распознавание и отслеживание черт лица. Распознавание эмоций и движений может использоваться для выявления людей, не содержащихся в базе данных, однако, проявляющих признаки потенциальной угрозы.

Несмотря на то, что распознавание лиц является частным случаем теории распознавания образов, традиционными методами распознавания сложно достичь высокого качества [6]. Лицо человека подвержено различным изменениям, связанным с множеством факторов которые можно условно разделить на три категории: внутриличностные (возраст, выражение лица, прическа), межличностные (национальность, пол) и внешние (условия освещения, ракурс, масштаб) [7].

Основными проблемами, возникающими при распознавании лиц, являются изменения связанные с возрастом, эмоциональным состоянием, условиями освещения и ракурсом. Большинство существующих систем распознавания лиц работают удовлетворительно только в стационарных условиях [8, 9].

Несмотря на активное развитие техники, повышение быстродействия вычислительных систем и качества изображений, рассмотренные трудности остаются актуальными. Их решение требует создания новых и совершенствования существующих методов и алгоритмов.

Существующая задача разработки методов установления личности человека в масштабе реального времени по изображению поступаемому с камеры видеонаблюдения, установленной в общественном месте, характеризуется существенными трудностями: большое количество людей на одном изображении; быстрая смена людей, содержащихся на изображении, что приводит к необходимости обработки изображения за короткий временной отрезок.

На рисунке 1.1 представлена обобщенная структура системы идентифиации личности, котора включает в себя следующие основные этапы:

- сегментация исходного изображения для выделения областей, содержащих лица;

- кодирование и хранение информации, описывающей объект поиска;

- идентификации личности человека на основе информации, хранящейся в базе данных (БД).

Автоматизированная система идентификации личности должна формировать варианты, которые используются лицом, принимающим решения (ЛПР), для принятия окончательного решения.

1.2 Классификация признаков, используемых при автоматической

сегментации изображения

Задача распознавания образов заключается в классификации изображений на основе определенных требований, причем изображения, относящиеся к одному классу образов, должны обладать относительно высокой степенью близости.

Принятый подход к распознаванию образов заключается в классификации на множестве признаков [10], вычисляемых по наблюдаемому изображению. При таком подходе распознавание образов включает следующие основные задачи:

- отбор и упорядочивание признаков;

- классификация в виде принятия решения о принадлежности исходного образу тому, или иному классу.

Непосредственно процессу распознавания образа по исходному изображению предшествует этап обучения, когда система работает с известными образами и в базе данных накапливаются признаки распознавания эталонных, ивестных образов.

В идеальном случае классификатор должен быть таким, чтобы области, выделяемые в пространстве признаков, соответствовали классам, то есть должно выполняться следующее условие: объект со принадлежит классу Д тогда и только тогда, когда соответствующий объекту вектор признаков у(со) принадлежит области Д-:

V О) £ П: со £ <=> у(а>) £ Я;, I = ОД - 1. (1^)

На практике данное условие выполняется не всегда и существует вероятность неверно классифицировать объект и допустить ошибку при распознавании.

Вероятность того, что классификатор принимает решение об отнесении вектора признаков некоторого объекта к области £>у, в то время как сам объект принадлежит классу Д определяется как

Ри = Р{ге$ (1.2)

При IФ] вероятности р^ характеризуют ошибки распознавания и называются вероятностями неверной или ошибочной классификации, а при / =у вероятности Ру задают вероятности правильной классификации представителей соответствующего класса.

Качество классификатора [11] характеризуется величиной, называемой в теории статистических решений условным средним риском. Она задает среднюю величину потерь, связанных с принятием классификатором решения об отнесении данного вектора признаков у к классу с номером у:

Ь-1 , \

где Р(П[) - априорная вероятность появления объектов из класса П^, причем

£¿=0 РФд — V (У/П.) - условная плотность вероятностей случайного вектора

признаков 7 для объектов класса /Зг; р(у) - безусловная плотность вероятностей

случайного вектора У; элементы квадратной матрицы С = || П ¿^у—о

характеризуют величины штрафов или потерь за ошибки классификатора.

Матрица С может быть достаточно произвольной. Единственным ограничением на ее элементы является то, что штраф за ошибочное решение должен быть больше, чем штраф за решение правильное, то есть су > сц.

Интегральной величиной, характеризующей качество классификатора, является математическое ожидание потерь:

Ь-1 1-1 ь-г

я = ЯДуМУ)^ = (1 4)

7=0 у=0 1=0

Построение описания изображения [12] на основе его представления с использованием признаков - едва ли не самая сложная задача в процессе построения любой системы распознавания. При этом, если в рамках некоторых математических моделей удалось формализовать процесс классификации, то процесс выбора признаков до сих пор остается процедурой эвристической и зависимой как от предметной области, так и от предшествующего опыта разработчика. В то же время можно выделить ряд основных групп признаков, которые успешно используются для описания и распознавания изображений. Принятая ниже классификация признаков на группы отражает специфику подходов, на основании которых производится их построение.

1.2.1 Геометрические признаки

К этой группе относятся те признаки, расчет которых основан на использовании геометрических характеристик представленных на изображении объектов [10]. Это могут быть, например, следующие признаки:

- геометрические размеры изображенного объекта по вертикали или горизонтали;

- расстояние между наиболее удаленными точками на изображенном объекте;

- периметр и площадь изображенного объекта;

- компактность объекта (как соотношение между его площадью и периметром);

- числовые характеристики описанных или вписанных в изображение объекта геометрических фигур, таких как окружности, многоугольники, и т.д.

Широко используемыми в геометрической группе являются признаки, связанные с представлением геометрии контура объекта [13]. Контур - одна из наиболее важных характеристик изображенного объекта при его восприятии человеком. Поэтому описание контура - одна из распространенных задач, решаемых в обработке изображений. Для обработки контура надо произвести его

кодирование, т.е. поставить в соответствие каждому контурному элементу определенное число [13]. Последовательность таких чисел называется кодом контура.

Элементарный вектор (ЭВ) у(п) - вектор, соединяющий центры или узлы соседних контурных ячеек сетчатки, проведенный в направлении обхода; п -номер этого ЭВ, отсчитываемый отточки а0 обнаружения контура, п = О, 1, ..., к-\, к - количество ЭВ в контуре данного изображения (рисунок 1.2). Такие ЭВ называют стандартными [14] в отличие от ЭВ, длина и аргумент которых задаются произвольными числами. Код в виде последовательности ЭВ, соединяющий соседние контурные клетки, называется цепным.

х(0

э/Ф ч

\

Рисунок 1.2 - Задание контура элементарными векторами Произвольный код Г, состоящий из ЭВ у(п), п = 0, 1, ..., к - 1 имеет вид

Г = {у(п)}0(к-1 = (У (0), у (1).....у (/с - 1)}. (1.5)

К основным способам кодирования контуров относятся:

1) кодирование по трем признакам: длине текущего ЭВ, направлению поворота при переходе к следующему ЭВ и углу между соседними ЭВ [15];

2) кодирование текущего ЭВ трехразрядным двоичным кодом [16]. Кодирование заключается в том, чтобы границу объекта, расположенного на дискретной сетке, представить в виде набора элементарных отрезков. Тогда полной характеристикой границы в каждой точке является направление требуемого отрезка (рисунок 1.3, а). В данном случае предполагается, что точки на границе являются только 4-х связными (отрезок откладывается лишь в 4-х направлениях). Иногда применяют модификацию данного метода, использующую

8-связную модель (рисунок 1.3, б). Данный код был предложен Фрименом и получил широкое распространение в задачах обработки изображений;

а)

2 <е

1

а

О

1

6)

3

4

5

2 А

1

» О

V б

¡т \

Ч У

Рисунок 1.3 - Цепной код: а) 4-связная модель границы; б) 8-связная модель границы

3) кодирование текущего ЭВ двумя его проекциями на оси координат с началом отсчета, совмещенным с началом ЭВ, в виде двумерного кода;

4) полигональное представление контура, получающееся при его аппроксимации линейными сегментами. Кодирование состоит в фиксации координат концов этих сегментов. Данный способ, благодаря компактности получаемых описаний получил широкое распространение. При этом возникает проблема сегментации, сходная с проблемой дискретизации сигналов. В реальных случаях она обычно связана с потерей информации о форме изображений;

5) задание ЭВ контура восемью комплексными числами

{1,1-1, -I, -1 - и -1, -1 + и 1,1 + 1};

6) ортогональные представления функции кривизны. Рассматривая угол наклона к касательной контура как периодическую функцию [17] некоторой переменной, /с($) = /с(х1(5),х2(5)), можно получить представление контура в виде ряда, коэффициенты которого вычисляются как:

ь

(1.6)

где {<Р/сС$)}£=о набор ортонормированных или ортогональных функций на [О, Ь].

-1 кОО^ОО^«, = Хк5{к -;'),

(1.7)

где Ь - периметр объекта.

В качестве функции «^(я) чаще всего используют комплексную экспоненциальную функцию:

2л

(рк (5) = ехр(-1 — б к) (1.8)

В этом случае говорят о представлении контура в виде ряда Фурье, а коэффициенты Лк называют Фурье-дескрипторами данного контура.

Описание (1.6) обладает свойствами инвариантности к преобразованиям подобия. Однако для его использования необходимо получить промежуточное представление контура в виде функции к($), которое само по себе является его характеристикой. Это может быть сделано различными способами, в частности с помощью ^-кривых;

7) представление контура объекта с использованием у-кривой [18] основано на аппроксимации прямолинейных участков границы объекта в виде отрезков ломаных, а области изменения направления границы - в виде дуг окружностей (рисунок 1.4).

В этом случае периодическая функция к(я) будет представлена прямолинейными горизонтальными участками и короткими кривыми, соответствующими областям изменения направления границы. При надлежащем построении ^/-кривых можно добиться инвариантности к преобразованиям подобия;

Список литературы диссертационного исследования кандидат наук Двойной, Илья Ростиславович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Брюхомицкий Ю.А. Вероятностный метод классификации биометрических параметров личности // Информационная безопасность: материалы X научно-практической конференции. - Таганрог, 2008. - 4.1. - С. 210-215.

2. Болл P.M., Коннел Х.Д., Ратха Н.К. и др. Руководство по биометрии. -М.: Техносфера, 2007. - 368 с.

3. Брюхомицкий Ю.А. Классификация нестационарных вероятностных биометрических параметров личности // Известия ЮФУ. Технические науки. -Таганрог, 2008. - №8. - С. 147- 155.

4. Моржаков В., Мальцев А. Современные биометрические методы идентификации // БДИ. - 2009. - №2. - С. 98-106.

5. Трошков A.M., Трошков М.А., Филимонов А.А и др. Биометрические характеристики человека и их аутентификационные признаки — база создания защиты и ограничения доступа к информационным ресурсам агропромышленного комплекса // Вестник АПК Ставрополья. - Ставрополь, 2011.-№3,-С. 124-129.

6. Nastar С., М. Mitschke. Real time face recognition using feature combination // Automatic Face and Gesture Recognition, Proc. of 3rd IEEE Int. Conf. (Nara, Japan, April 16 1998). - Japan, 1998. - P. 312-317.

7. Gong S., McKenna S.J., Psarrou A. Dynamic Vision: From Images to Face Recognition. - London, UK: Imperial College Press, 2000. - 344 p.

8. Yang M.-H., Kriegman D.J., Ahuja N. Detecting Faces in Images: A Survey // Pattern Analysis and Machine Intelligence, IEEE Trans. - 2002. Vol. 24, № 1. - P. 34-58.

9. Дуда P.. Харт П. Распознавание образов и анализ сцен. - М.: Мир, 1976. -

511 с.

10. Гашников М.В., Глумов Н.И., Ильясова H.IO. и др. Методы компьютерной обработки изображений. - 2-е изд., испр. - М.:ФИЗМАТЛИТ, 2003.-784 с.

11. Александров В.В., Поляков А.О. Структурный метод классификации // Вопросы классификации. Адаптация в системах со сложной структурой. - М.: Изд-во Научного совета по проблеме «Кибернетика» АН СССР, 1977.

12. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: пер. с англ.; под. ред. И.Б. Гуревича. М.: Радио и связь, 1987. - 399 с.

13. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника. - 1987. - № 10. -С. 25-47.

14. Фурман Я.А., Кревецкий A.B., Передреев А.К. и др. Введение в контурный анализ; приложения к обработке изображений и сигналов. - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 592 с.

15. Грановская P.M., Березная И.Я. Запоминание и узнавание фигур. - Л.: ЛГУ, 1974.-96 с.

16. Freeman Н. On the digital-computer classification on geometric line pattern // Proc. Nat. Electron. Conf. - 1962. - №18. - P. 312-324.

17. Разин И.В., Попечителев Е.П. Математическая модель адаптивного фильтра для формирования контурного сигнала изображения // Изв. вузов России. Радиоэлектроника. - 2007. - №1. - С.24-35.

18. Старовойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений. - Минск: Ин-ттехн. кибернетики, 1997.-284 с.

19. Гончаров A.B., Каркищенко А.Н. Влияние освещенности на качество распознавания фронтальных лиц // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ. - 2008. - №4(81). - С.88-92.

20. Александров В.В., Горский Н.Д., Мысько С.Н. Экспертные системы

анализа изображений. - Л.: ЛИИАН, 1987. - 36 с.

138

21. Фукунага К. Введение в статистическую теорию распознавания образов. - М.: Наука, 1979. - 368 с.

22. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин / Пер. с англ.: Под ред. Д.С. Лебедева. М.: Мир, 1972.-230 с.

23. Ярославский Л.П. Введение в цифровую обработку изображений. - М.: Сов. радио, 1979.-312 с.

24. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. - М.:Лань, 2009. - 608 с.

25. Витгах В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. - М.: Наука, 1982.-213 с.

26. Гранино А.К., Тереза М.К. Справочник по математике для научных работников и ниженеров. - М.: Наука, 1984. - 823 с.

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

28. Друки А.А. Система поиска, выделения и распознавания лиц на изображениях // Известия томского политехнического университета. - Томск, 2011. - Т.318, №5. - С.64-70.

29. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход.: Пер с англ. - М.: Издательский дом «Вильяме», 2004. - 928 с.

30. Шапиро Л., Стокман Дж. Компьютерное зрение. - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

31. Гуревич М.М. Цвет и его измерение. М.: Изд-во АН СССР, 1950.-283 с.

32. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072 с.

33. Turk M., Pentland A. Eigenfaces for Récognition // Journal of Cognitive Neuroscience. - 1991. - P. 71-86.

34. Valentin D., Abdi H., O'Toole A.J. Principal component and neural network analyses of face images: Explorations into the nature of information available for classifying faces by sex // Progress in Mathematical Psychology. - 1996. - P. 218-238.

35. Valentin D., Abdi H., O'Toole. Categorization and identification of human face images by neural networks: A review of linear auto-associator and principal component approaches // Journal of Biological Systems. - 1994. №2. - P. 413-429.

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

37. Wurtz R. P. Object Recognition Robust Under Translations, Deformations, and Changes in Background // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. Vol. 19. - P. 769-775.

38. Lanitis A., Taylor C. J., Cootes T. F. Automatic Interpretation and Coding of Face Images Using Flexible Models // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. Vol. 19. - P. 743-756.

39. Esme В., Sankur В., Anarim E. Facial feature extraction using genetic algorithms//8-thEuropean Signal Processing Conference. - 1996.-P. 1511-1514.

40. Wiskott L., Fellous J.M., Kruger N. Face Recognition by Elastic Bunch Graph Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. Vol. 19, №7. - P. 775-779.

41. Krtiger N. An Algorithm for the Learning of Weights in Discrimination Functions Using a Priori Constraints // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. Vol. 19. - P. 764-768.

42. Самаль Д.И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований: Автореф. дис. канд. техн. наук. -Минск, 2002. - 22 с.

43. Самаль Д.И., Старовойтов В.В. Подходы и методы распознавания людей по фотопортретам. - Минск: Препринт, 1998. - 54 с.

44. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица // Цифровая обработка изображений. - Минск: Ин-т кибернетики НАН Беларуси, 1998. - С. 72-79.

45. Рабинер JI.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор. - М.:ТИИЭР, 1989. -Т.77. - №2. - С. 86-120.

46. Tebelskis J. Speech recognition using neural networks // PhD thesis, Carnegie Mellon University. - 1995.

47. Gales M., Young S. The application of Hidden Markov Models in Speech Recognition. - Now Publisher Inc, 2007. - 113 p.

48. Сальников И.И. Анализ пространственно-временных параметров удаленных объектов в информационных технических системах. - М.: ФИЗМАТЛИТ, 2011.-252 с.

49. Hsu R.L., Abdel-Mottaleb М., Jain A. Face Detection in Color Images // IEEE Trans. Pattern Analysis and Machine Intelligence. - 2002. Vol. 29. - P. 696-706.

50. Phung S.L., Bouzerdoum A., Chai D. Skin segmentation using color pixel classification: analysis and comparison // IEEE Trans. Pattern Analysis and Machine Intelligence. - 2005. Vol. 27. - P. 148-154.

51. Kakumanu P., Makrogiannis S., Dourbakis N. A survey of skin-color modeling and detection methods // Pattern recognition. - 2007. Vol. 40. - P. 1106-1122.

52. Tre'meau A., Tominaga S., Plataniotis K.N. Color in image and video processing: most recent trends and future research directions // Journal of Image and Video Processing. - 2008. Vol. 8, №1. - P. 1-26.

53. Martinkauppi J. Facial Skin Color Modeling. Hand-book of face recognition. - New York: Springer, 2005. - 398 p.

54. Shi L., Funt B. Skin colour imaging that is insensitive to lighting condition // Proc. of AIC conference on colour effects & affects. - 2008. - P. 897-908.

55. Martinkauppi В., Soriano M., Pietikainen M. Detection of Skin Color under Changing Illumination // Proc. of 12th international conference on Image Analysis and Processing. - 2003. - P. 411-419.

56. Jedynak В., Zheng H., Daoundi M. Maximum entropy models for skin detection // Proc. of third indian conference on computer vision, graphics and image processing.-2003.-P. 100-106.

57. Беркинблит М.Б., Глаголев С.М, Голубева М.В. и др. Биология в вопросах и ответах: Учебное пособие. - М.:МИРОС, 1994. - 216 с.

58. Абду И.Э., Прэтт У.К. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением. - М.:ТИИЭР, 1979. - Т.67, №5. - С. 59-65.

59. Graf Н.Р., Cosatto Е., Gibbon D. Multi-Modal System for Locating Heads and Faces //AT&T Lab. Technical Report, 95.5.1. - 1996.

60. Денисов Д.А., Низовкин В.А. Сегментация изображений на ЭВМ // Зарубеж. радиоэлектроника. - 1985. - №10. - С.5-30.

61. Gonzalez R.C., Woods R.E. Digital Image Processing. - New Jersey: Prentice Hall, 2007. - 976p.

62. Бакут П.А., Колмогоров Г.С., Ворновицкий Н.Э. Сегментация изображений: методы пороговой обработки // Зарубежная электроника. - 1987. -№10.-С. 6-24.

63. Разин И.В. Оценка спектральных характеристик изображений через статистики перепадов яркости // Изв. вузов России. Радиоэлектроника. - 2001. - №1. - С.73-80.

64. Фурман А.Я., Кревецкий А.В., Передреев А.К. и др. Введение в контурный анализ; приложения к обработке изображений и сигналов. - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 592 с.

65. Маленко О.Г., Садыхов Р.Х. Система автоматического поиска и распознавания номеров железнодорожных вагонов // Материалы международной научно-технической конференции «Новые информационные технологии в науке и производстве». - 1998 - С. 255-258.

66. Нюнышн К.М. Использование цвета при распознавании жестов // Штучный интелект. - 2002. - №4. - С. 503-511.

67. Rahman N.A., Wei К.С., See J. RGB-H-CbCr skin colour model for human face detection // Proc. of the MMU international symposium on information & communications technologies. -2006. - P. 325-338.

68. Kovac J., Peer P., Solina F. Human skin color clustering for face detection // Proc. of international conference on computer as a tool. - 2003. - P. 127-135.

69. Shin M.C., Chang K.I., Tsap L.V. Does colorspace transformation make any difference on skin detection? // Proc. of 6th IEEE Workshop on Application of Computer Vision. - 2002. - P. 68-77.

70. Двойной И.Р. Полярная система координат для представления цветовых характеристик в системе распознавания лиц // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей X Всеросийской научно-технической конференции. - Пенза: Приволжский дом знаний, 2012.-С. 60-63.

71. Двойной И.Р., Редькин B.C. Анализ цветовых моделей, получивших широкое распространение, и причин их появления // Журнал научных публикаций аспирантов и докторантов. - 2012. - №3 (69). - С. 131-133.

72. Ford A., Roberts A. Color Space Conversions [Электронный ресурс]. -URL: http://www.poynton.com/PDFs/coloureq.pdf (дата обращения: 23.08.2012).

73. Stricland R.N., Cheol-Sung К., William F. Luminance, hue and saturation processing of digital color images. // Application of Digital Image Processing IX. -1986.-Vol. 697.-P. 77-91.

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

75. Прэтт У. Цифровая обработка изображений. - М.: Мир, 1982. - Кн. 1. -312 е.; Кн. 2.-480 с.

76. Двойной И.Р., Сальников И.И. Использование полярной цветовой модели для выделения лица на изображении // Студенческий научный форум: IV международная студенческая электронная научная конференция [Электронный ресурс]. - URL: http://www.rae.ru/forum2012/218 (дата обращения: 07.08.2013).

77. Двойной И.Р. Выбор системы цветового кодирования для обнаружения изображения лица человека на основе его цвета // XXI век: итоги прошлого и

проблемы настоящего плюс. Серия: технические науки. Информационные технологии. - 2012. - №5(09). - С.50-54.

78. Двойной И.Р., Сальников И.И. Сравнительный анализ структур скрытых марковских моделей, используемых в задаче установления личности человека по изображению лица // Современные проблемы науки и образования. - 2013. - №6. -URL: www.science-education.ru/113-10751 (дата обращения: 13.11.2013).

79. Двойной И.Р. Метод идентификации лиц на основе скрытых марковских моделей // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей XI Всеросийской научно-технической конференции. -Пенза: Приволжский дом знаний, 2013. - С. 61-64.

80. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. - М.: Техносфера, 2006. - 621 с.

81. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. - М.: Наука. Главная редакция физико-математической литературы, 1974. - 832 с.

82. Джин X., Чарльз Ф. Матричные вычисления. - М.: МИР, 1999. - 553 с.

83. Форсайт Д., Малькольм М., Моулер К. Машинные методы математических вычислений. - М.: МИР, 1980. - 300 с.

84. Picone J. Signal modeling techniques in speech recognition // Proc. of IEEE. - 1993.-Vol. 81, №9.-P. 963-991.

85. Иглин С.П. Математические расчеты на базе MATLAB. - СПб.: БХВ-Петербург, 2005. - 640 с.

86. Потемкин В.Г. Вычисления в среде MATLAB. - М.: Диалог-МИФИ, 2004. - 720 с.

87. Хомяков М.Ю., Кухарев Г.А. Принципы построения пакета программ для моделирования систем распознавания изображений лиц // Известия СПбГЭТУ «ЛЭТИ». - 2010. - №7. - С. 41-46.

88. Theodoridis S., Pikrakis A., Koutroumbas К. Introduction to Pattern Recognition: A Matlab Approach. - Waltham: Academic Press, 2010.-231 p.

89. Двойной И.Р. Программный комплекс для анализа времени выполнения вычислительных операций в заданных алгоритмах // Сборник III научной конференции аспирантов и молодых ученых. - Пенза: Приволжский дом знаний, 2010. - С. 3-7.

90. Двойной И.Р., Сальников И.И. Программа анализа времени выполнения вычислительных операций в заданном алгоритме // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VIII Всеросийской научно-технической конференции. - Пенза: Приволжский дом знаний, 2010. - С. 76-80.

91. Bressert Е. SciPy and NumPy: An Overview for Developers. - California: O'Reilly Media, 2012. - 82 p.

92. Керниган Б.У., Ритчи Д.М. Язык программирования С. М.: Вильяме, 2013.-304 с.

93. Bradski G., Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. - California: O'Reilly Media, 2012. - 556 p.

94. Двойной И.Р., Сальников И.И. Сравнительный анализ схемной и программной реализации вычислителя элементарных функций // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VII Всеросийской научно-технической конференции. - Пенза: Приволжский дом знаний, 2009. - С. 84-89.

95. Двойной И.Р. Отслеживание перемещения объектов в системах идентификации, для предотвращения повторного распознавания // Журнал научных публикаций аспирантов и докторантов. - 2013. - №11. - С.119-123.