Развитие и применение методов, алгоритмов и программных средств автоматической видео идентификации для предоставления индивидуального доступа по изображению лица тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Куликов, Александр Анатольевич

• Куликов, Александр Анатольевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Куликов, Александр Анатольевич

Оглавление

Перечень сокращений

Введение

Глава I. Аналитический обзор методов, алгоритмов и программных средств распознавания лица

1.1 .Основные классы решаемых задач связанных с идентификацией личности

1.2.Анализ существующих методов распознавания человека по изображению лица

1.3.Программные средства распознавания лицевых изображений

1.4. Сравнительный анализ методов распознавания лицевых изображений. Постановка задачи диссертационного исследования

Глава II. Развитие методов и алгоритмов распознавания человека по изображению лица

2.1.Необходимость исследования и доработки алгоритмов распознавания применительно к изображению лица

2.2. Принципы поэтапного распознавания лица

2.3.Разработка модифицированного метода распознавания на основе эластичного графа применительно к распознаванию лица. Введение понятия джета

2.4.Разработка алгоритма хранения и поиска данных для идентификации лица. Разработка типовой структуры организации информационного хранилища ключевых признаков лицевых изображений

2.5.Краткие выводы по главе II

Глава III. Применение нейросетевого подхода в задаче распознавания лицевого изображения

3.1.Алгоритм обучения нечеткой нейронной сети NEFClass

3.2.Проведение экспериментов с нейронной сетью NEFClass применительно к распознаванию человека по изображению лица

3.3.Исследования влияния оценки степени сжатия изображения лица на результат идентификации для контрольно пропускной системы

3.4.Разработка алгоритма обучения модифицированной нейронной сети NEFClass М для введенного понятия джета

3.5.Проведение экспериментов с нейронной сетью NEFClass М применительно к распознаванию человека по изображению лица

3.6. Разработка типовой структуры контрольно-пропускной системы для автоматической видео идентификации

3.7.Разработка программного обеспечения обработки изображения лица и описание интерфейса системы идентификации лиц для обучения и настройки системы

3.8.Краткие выводы по главе III

ЗАКЛЮЧЕНИЕ

Литература

Список работ, опубликованных по теме диссертации

Приложения:

Приложение 1. Расчет параметров нейронной сети NEFClass М в математическом редакторе Mathcad

Приложение 2. Акты о внедрении контрольно-пропускной системы автоматической видео идентификации личности по лицевому изображению

Приложение 3. Листинг разработанного программного средства

Перечень сокращений

КПС - Контрольно-пропускная система

НС- нейронная сеть

ННС - нечеткая нейронная сеть

РСА- (Principal Component Analysis)MeTOA анализа главных компонент

FLD (LDA) - (Linear Discriminant Analysis) метод линейного дискриминантного

анализа

DIFS - (Distance in feature space) расстояние в собственном пространстве

DFFS - (Distance from feature space) расстояние до проекции в собственном

пространстве

JPEG - формат файла изображения лица

Jet - фрагмент полутонового изображения вокруг заданного пикселя. ER - (entity-relationship model) модель данных СКО - среднеквадратическая ошибка

ORL - (Olivetti Research Laboratory) база изображений лиц

Введение диссертации (часть автореферата) на тему «Развитие и применение методов, алгоритмов и программных средств автоматической видео идентификации для предоставления индивидуального доступа по изображению лица»

Введение

Актуальность исследования. Системы идентификации личности используются в автоматизированных системах безопасности для управления контрольно-пропускной системой (КПС), в различных общественных местах с различными целями. Поиск и идентификация личности обычно проводится с использованием таких данных как фамилия, имя, отчество, дата рождения и др. Такие системы имеет высокую скорость, но не лишены недостатков, главным из которых является возможность получения доступа по подложным документам. Альтернативой этому варианту поиска является метод идентификации личности по лицевому изображению.

Сложившиеся подходы к идентификации человека по изображению лица практически устоялись [3,5,6,8,9,10]. Актуальными задачами остаются улучшение точностных и временных характеристик существующих методов, алгоритмов и программных средств идентификации. Дальнейшее развитие систем распознавания лица, является создание подсистем набора из видеоряда, формируемой, путем считывания информации с видеокамер изображений лиц, а также создание комплекса систем интерфейсов. В дальнейшем этот набор можно использовать в качестве входной информации для системы идентификации.

Задаче распознавания лицевых изображений посвящено большое количество публикаций [6,8,9,10 и др.], однако в целом она ещё остается далёкой от разрешения. Основные трудности метода идентификации личности состоят в том, что система должна распознавать человека по изображению лица независимо от изменения условий освещённости, изменения ракурса, а также при различных других внешних изменениях лица. Кроме того не решены такие задачи как оценка сжатия изображения для снижения необходимого объема на вероятность распознавания, специальных алгоритмов сохранения и поиска ключевых признаков изображения и др.

Цель и задачи исследования. Целью работы является развитие и применение методов, алгоритмов и программных средств автоматической видео

идентификации для предоставления индивидуального доступа по изображению лица с целью построения контрольно-пропускной системы (КПС), а также разработка программного интерфейса, позволяющий настраивать и обучать КПС.

Для достижения цели поставленной в работе, необходимо, решить следующие основные задач:

- Модифицировать методы и алгоритмы распознавания лиц, позволяющие повысить качество распознавания, в сравнении с существующими методами;

- Разработать алгоритм обучения нейронной сети позволяющий повысить надежную идентификацию лица;

- Разработать алгоритмы организации хранения вспомогательной информации для оперативного поиска в базе данных при идентификации лиц;

- Разработать типовую структуру организации информационного хранилища КПС для ключевых признаков используемых в алгоритме хранения данных;

- Разработать программное обеспечение КПС, в котором реализованы алгоритмы хранения, поиска, алгоритма обучения нейронной сети, метода распознавания и информационного хранилища с целью проверки на практике правильности сделанных теоретических выводов;

- Разработать программный интерфейс, позволяющий настраивать и

обучать контрольно-пропускную систему. Перечисленные задачи будут дополнены и уточнены с учетом результатов аналитического обзора Главы I.

Объект исследования. Человеко-машинные интерфейсы обработки изображений в системах автоматической видео идентификации для предоставления индивидуального доступа по изображению лица в контрольно-пропускных системах.

Предмет исследования. Предмет исследования определен предметной областью №7 паспорта специальности 05.13.11, «Человеко-машинные интерфейсы: модели, методы, алгоритмы и программные средства обработки изображений», а также перечнем задач решаемых в диссертации.

Методы исследования. Для решения поставленных задач, применены методы объектно-ориентированного программирования, вычислительной математики, теории распознавания образов, разработки и обучения нейронной сети, математического моделирования.

Публикации. По результатам исследований опубликовано 11 научных работ, из них 5 статей в реферируемом журнале, рекомендованном ВАК.

Апробация работы. Основные положения диссертационной работы доложены и обсуждены на научно-практических конференциях: «VI Московская межвузовская научно-практическая конференция» (Москва, 2011); «VII Московская межвузовская научно-практическая конференция» (Москва, 2012), «VIII Недели науки молодежи СВАО» (Москва, 2013); «Карьера и образование -2013»» (Москва, 2013), XI Международная заочная научно-практическая конференция «технические и математические науки» (2013 г.). Структура и объем работы. Диссертация состоит из Введения, трех глав основного текста, Заключения и списка литературы, включающего 116 наименований. В приложении приведены документы о внедрении, листинг разработанной программы и расчет параметров нейронной сети NEFClass М Общий объем диссертации составляет 130 листов, включая 46 рисунков и 12 таблиц

Глава I. Аналитический обзор методов, алгоритмов и программных

средств распознавания лица

В главе дан критический обзор, сравнительный анализ существующих методов и алгоритмов распознавания человека по изображению его лица, применительно к распознаванию человека по единичному экземпляру изображения его лица. Приведен обзор современных систем распознавания, осуществляющих идентификацию человека по изображению его лица, рассмотрены общие вопросы теории и практики построения таких систем.

1.1. Основные классы решаемых задач связанных с идентификацией

личности

Задача идентификации личности делится на три больших класса, отличающихся как по требованиям, предъявляемым к системам распознавания, так и по способам их решения. Различны и требования, предъявляемые к ошибкам возникающим при решении этих классов задач.

- поиск ключевых признаков в больших базах данных;

- контроль доступа;

- контроль фотографий в различных документах (документный контроль).

Ошибкой первого рода (type I error, misdetection) называют ситуацию, когда

объект заданного класса не распознаётся (пропускается) системой. Ошибка второго рода (type II error, falsealarm) происходит, когда объект заданного класса принимается за объект другого класса. [1-5]

Следует также отметить различие понятий верификации и распознавания (идентификации). В задаче верификации неизвестный объект заявляет, что он принадлежит к некоторому известному системе классу. Система подтверждает или опровергает это заявление. При распознавании требуется отнести объект неизвестного класса к одному из известных или выдать заключение о том, что этот объект не относится к известным классам.

Поиск изображения в базе данных.

При поиске изображения в базах данных большого объема используется сравнение типа «один со многими». При этом предъявляются высокие требования к ошибке первого рода - система распознавания должна находить изображения, соответствующие данному человеку, не пропустив, по возможности, ни одного такого изображения. Система должна находить изображения, соответствующие конкретному человеку.

Обычно в большой базе данных (с объемом хранения 104 - 107 изображений) требуется найти изображения, наиболее похожие на заданное. Поиск должен быть произведён за минимальное время(менее 5 сек). Одно из решений состоит в хранении в базе данных небольших наборов заранее извлечённых ключевых признаков, максимально характеризующих изображение. При этом требования к точности при подборе похожих изображений лица не столь критичны как в задачах контроля доступа и документного контроля.

При решении задач данного класса, прежде всего, применяется метод эластичного графа [71, 113]. В данном методе для получения граф-модели изображения лица используются, так называемые, джеты ~ набор комплексных коэффициентов Габора для некоторых точек изображения, полученных в результате свертки изображения лица с вейвлетами Габора, которые хорошо характеризуют локально-частотные свойства изображения. Для сравнения изображений используется функция подобия, учитывающая амплитуду и фазу соответствующих коэффициентов Габора.

При решении задач данного класса используется также метод «собственных лиц» (метод главных компонент) [25, 107]. При использовании этого метода коэффициенты, полученные разложением входного изображения на главные компоненты, используются для сравнения изображений путём вычисления Евклидова расстояния, а в более совершенных методах - на основе метрики Махаланобиса с использованием гауссовского распределения [86,107]. В работе [66] описано развитие метода главных компонент на основе нейронных сетей.

Задача контроля доступа.

При решении задачи контроля доступа используется сравнение типа «один с несколькими». Для этой задачи критичны требования к ошибкам второго рода. Система распознавания изображений не должна характеризовать незнакомых людей в качестве знакомых, возможно, даже за счёт увеличения ошибок первого рода (отказа в доступе знакомым людям).

Решение задачи контроля доступа обычно требуется в условиях, когда имеется небольшая группа лиц (например 5-50 человек), которых контрольно-пропускная система должна распознавать по изображению лица для принятия решения о доступе конкретного лица на охраняемую системой территорию. Лиц, не входящих в состав доверенной группы, КПС не должна пропускать.

Возможны варианты, когда требуется установить конкретную личность по изображению лица. При этом от системы требуется высокая достоверность распознавания, возможно, даже за счёт увеличения числа отказов в доступе.

Обычно в качестве тренировочных изображений каждого члена доверенной группы системе доступны несколько изображений его лица, полученных при различных условиях. Это могут быть, например, различные ракурсы съемки, освещённость, различные причёски, мимика, наличие или отсутствие очков, усов, бороды и т.п.

При этом в штатном режиме система должна работать в реальном масштабе времени (время принятия решения системой не должно превышать нескольких десятков секунд), в то время как процесс настройки функционирования системы на конкретную доверенную группу лиц может занимать значительно больше времени, но в подготовительном режиме, выполняемом заранее.

Ограничений на применяемые методы нет. Однако, большинство методов сходятся к одному: имеется обучающий набор изображений лиц заданной доверенной группы сотрудников (возможно, при различных условиях съёмки), к этому набору система обращается в процессе распознавания и принятия решения о допуске. Или в процессе обучения система настраивается на этот набор.

При решении этого класса задач распространён подход с использованием нейронных сетей, которые после обучения обладают хорошей обобщающей способностью.

1.2. Анализ существующих методов распознавания человека по

изображению лица.

В данном разделе приведен обзор современных методов распознавания человека по изображению лица, рассмотрены преимущества и недостатки каждого из методов, дано общее сравнение методов.

1.2.1. Метод анализа главных компонент Метод анализа главных компонент [105,107, 109] (Principal Component Analysis, РСА) применяется для сжатия информации без существенных потерь информативности. Используемый в методе подход состоит в линейном ортогональном преобразовании входного вектора X размерности N в выходной вектор У размерности M,N<M. При этом компоненты вектора Г являются некоррелированными и общая дисперсия после преобразования остаётся неизменной. Матрица X состоит из всех примеров изображений обучающего набора. Решив уравнение Л = ФГТ,Ф [105], получаем матрицу собственных векторов Ф (здесь Е- ковариационная матрица для X, а Л- диагональная матрица, образуемая собственными числами).

Выбрав изФ подматрицу Фм, соответствующую М наибольшим собственным числам, получим, что преобразование:

у = Фтмх,тъх =х-х- нормализованный вектор с нулевым математическим ожиданием, характеризует большую часть общей дисперсии и отражает наиболее существенные изменения X [105].

Выбор первых М главных компонент разбивает векторное пространство на главное (собственное) пространство f = {Ф,}^, содержащее главные компоненты, и его ортогональное дополнение F = {Ф,}"м+1

На Рисунке 1.1. приведена иллюстрация, поясняющая работу по методу РСА.[105]

F

n

a)

6)

Рис. 1.1. Иллюстрация к методу PC А.

а) изображено полное пространство, разбитое на собственное пространство F и его ортогональное дополнение F. DIFS- distance in feature space, расстояние в собственном пространстве, DFFS- distance from feature space, расстояние до проекции в собственном пространстве;

б) изображен типичный спектр собственных чисел и его разбиение на два ортогональных подпространства.

Применение метода главных компонент для задачи распознавания человека по изображению лица может быть целесообразным и эффективным, т.к. входные вектора представляют собой отцентрированные и приведённые к единому масштабу изображения лиц. Собственные вектора, вычисленные для всего набора изображений лиц, называются собственными лицами (eigenfaces). Метод главных компонент в применении к изображениям лиц также называют методом собственных лиц [4,25]. Собственные лица имеют полезное свойство, заключающееся в том, что изображение, соответствующее каждому такому вектору, имеет лицеподобную форму (Рис. 1.2).

Рис. 1.2. Примеры изображений собственных векторов(собственные лица)

С помощью вычисленных ранее матриц входное изображение разлагается на набор линейных коэффициентов, называемых главными компонентами. Сумма главных компонент, умноженных на соответствующие собственные вектора, является реконструкцией изображения (Рис. 1.3).[4,25]

Рис. 1.3. Примеры реконструкции изображений а) выровненное изображение лица, б) реконструкция по 8 5-и главным компонентам, в) ДРЕО-реконструкция

Для каждого изображения лица вычисляются его главные компоненты. Обычно берётся от 5 до 200 главных компонент. Остальные компоненты кодируют мелкие различия между лицами и шум. Процесс распознавания заключается в сравнении главных компонент неизвестного изображения с компонентами всех остальных изображений. Для этого обычно применяют какую-либо метрику (простейший случай - евклидово расстояние). При этом предполагается, что изображения лиц, соответствующих одному человеку, сгруппированы в кластеры в собственном пространстве. Из базы данных (или тренировочного набора) выбираются изображения-кандидаты, имеющие наименьшее расстояние от входного (неизвестного) изображения.

Дальнейшее совершенствование алгоритма распознавания изображений заключалось в использовании метрики Махаланобиса и гауссовского распреде-

(а) (б) (в)

(530 байт)

ления для оценки близости изображений [86]. Для учёта различных ракурсов изображений в этой же работе использовалось много модальное распределение изображений в собственном пространстве. Повышение надёжности алгоритма достигалось за счёт дополнительного применения метода главных компонент к анализу отдельных участков лица, таких, например, как глаза, нос, рот.

Метод главных компонент применяется также для обнаружения лица на изображении [104]. Для лиц значения компонент в собственном пространстве имеют большие значения, а в дополнении собственного пространства - близки к нулю. По этому факту можно обнаружить, является ли входное изображение лицом. Для этого проверяется величина ошибки реконструкции: чем больше ошибка, тем больше вероятности, что это не лицо.

Исследователями указанного метода отмечается тот факт, что при наличии в наборе изображений лиц определенных вариаций (таких, например, как раса, пол, эмоция, освещенность объекта и пр.) будут появляться компоненты, величина которых, в основном, определяется этими факторами. Поэтому по значениям соответствующих главных компонент можно определить, например, расу или пол человека [32, 55,86].

При изменении ракурса изображения, наступает момент, когда этот метод при распознавании начинает реагировать больше на ракурс изображения, чем на межклассовые отличия. Классы при этом больше не являются кластерами в собственном пространстве. Эта проблема решается добавлением в обучающую выборку изображений в различных ракурсах. При этом собственные вектора теряют лицеподобную форму. В работе [66], развивающей эту идею, показано, что при изменении угла поворота головы, главные компоненты вычерчивают кривые в собственном пространстве, которые однозначно идентифицируют лицо человека и по которым можно провести распознавание. Эти кривые названы собственными сигнатурами (ещет1%псЛиге8). Отмечается, что в сочетании с методами генерации изображений в новых ракурсах по одному примеру изображения этот метод имеет неплохие перспективы. По максимумам собст-

венных сигнатур также отмечено, что наибольшую информативность имеет изображение лица в полупрофиль.

Аналогичные трудности имеют место при изменении условий освещения. Одна из попыток решения этой проблемы описана в следующем параграфе.

Вычисление набора собственных векторов отличается высокой трудоёмкостью. Один из способов - это получение свёртки изображений по строкам и столбцам, а затем дальнейшая работа с полученными результатами. В такой форме представление изображения имеет на порядок меньший размер, вычисление и распознавание происходит быстрее, но восстановить исходное изображение уже невозможно.

Основное преимущество применения анализа главных компонент - это хранение и поиск изображений в больших базах данных, возможной реконструкции изображений [86]. К недостаткам метода можно отнести высокие требования к условиям съёмки изображений. Изображения должны быть получены в близких условиях освещённости, при одинаковом ракурсе. Кроме того необходимо провести качественную предварительную обработку, приводящую изображения к стандартным условиям (масштаб, поворот, центрирование, выравнивание яркости, отсечение фона). Желательно устранение таких внутриклассовых вариаций, как очки, изменения в причёске, выражении лица и др.

1.2.2. Метод линейного дискриминантного анализа

Метод собственных лиц (главных компонент) требует для своего применения идеальных условий, т.е. отсутствие помех вроде очков, бороды или усов, единые параметры освещённости, нейтральное выражение лица [56]. Этих условий нельзя достичь в общем случае путём предварительной обработки. При несоблюдении же этих условий главные компоненты не будут отражать межклассовые вариации, и классы перестают представлять собой кластеры в собственном пространстве. Например, при различных условиях освещённости метод собственных лиц практически неприменим, поскольку первые

главные компоненты преимущественно отражают изменения освещения, и сравнение выдаёт изображения, имеющие похожий уровень освещённости.

При использовании метода линейного дискриминантного анализа (линейный дискриминант Фишера [56], Linear Discriminant Analysis, LDA) выбирают проекцию пространства изображений на пространство признаков таким образом, чтобы минимизировать внутриклассовое и максимизировать межклассовое расстояние в пространстве признаков (Рис. 1.4). В этих методах предполагается что классы линейно разделимы.[56]

# .

4 <î>

О

О

X.

PC А

О

О О

&

I о 1

I + . «йш* 2

R..O.

.,.,).................

Рис. 1.4. Пример проекций в пространстве характеристик для двух классов полученных с помощью анализа главных компонент (РСА) и линейного

дискриминанта Фишера (РЬБ). Как видно из приведенного Рис. 1.4., в этом случае проецирование на собственное пространство смешивает классы, что делает распознавание невозмож-

ным, а линейный дискриминант выбирает проекцию на пространство признаков таким образом, чтобы разделить разные классы.

Матрица W для проецирования пространства изображения на пространство

признаков выбирается из следующего условия [34]: Wopt = arg max ^тs w |

где Sb- матрица межклассовой дисперсии, Sw матрица внутриклассовой дисперсии.

Может существовать до с-1 векторов, составляющих базис пространства признаков, где с - общее число классов. С помощью этих векторов пространство изображений переводится в пространство признаков.

Поскольку работа непосредственно с матрицей Sw е 91 затруднительна из-за её размерности, в [56] использовано предварительное уменьшение размерности с помощью метода главных компонент, и затем вычисления производятся в пространстве меньшей размерности:

\wTwrsBww\

рса В рса

где Жрса - матрица проецирования в пространство меньшей размерности (пространство главных компонент).

В [56] такой метод был назван лицами Фишера ^^ег/асез). Также как и собственные вектора, изображения базисных дискриминант-ных векторов имеют лицеподобную форму. Тренировочный набор изображений содержал лица при нескольких базовых условиях освещённости, на основе которых при помощи линейных комбинаций можно получить любые другие условия освещённости. Отмечена высокая точность распознавания (около 96%) для широкого диапазона условий освещённости, различных выражений лица и наличия или отсутствия очков. Была отмечена низкая распознающая способность метода собственных лиц при аналогичных условиях. Причём применение метода собственных лиц, в котором главные компоненты, отвечающие за освещённость, не учитывались, всё равно давало намного

худший результат, чем дискриминант Фишера. Также не производились эксперименты с изменением ракурса изображений, а эксперименты с варьированием освещения проводились без изменения других факторов.

1.2.3. Метод гибких контурных моделей лица

Распознавание изображения производится на основе сравнения контуров лица. Контуры обычно извлекаются для линий головы, ушей, губ, носа, бровей и глаз. Контуры представлены ключевыми позициями, между которыми положения точек, принадлежащих контуру, вычисляются интерполированием. Для локализации контуров в различных методах используется как априорная информация, так и информация, полученная в результате анализа тренировочного набора изображений.

В работе [79], рассматривающей метод гибких контурных моделей лица (РкхйЯеМоёеЬ), ключевые точки размещались вручную на наборе тренировочных изображений. Затем извлекалась информация об интенсивности пикселей, лежащих на линии, перпендикулярной контуру для каждой точки контура. При поиске контуров нового лица применялся подход с использованием целевой функции из двух составляющих. Первая из них максимизировалась при соответствии интенсивностей пикселей, извлечённых на перпендикулярной контуру линии, аналогичным пикселям из тренировочной выборки. Вторая - при совпадении контура с формой контуров тренировочных примеров. Таким образом, извлекался не просто контур, а контур черт лица. Как должен выглядеть типичный контур черт лица, процедура поиска знала из тренировочных примеров. Для сравнения изображений использовались значения главных компонент, вычисленных на наборе векторов, представляющих собой координаты ключевых точек. Контурная модель использовалась вместе с полутоновой моделью, совместное их использование повышало точность распознавания.

1.2.4. Сравнение эластичных графов

В работе [107],лицо представляется в виде графа, вершины которого расположены на ключевых точках лица, таких, например, как контуры головы, губ, носа и пр., а также на крайних точках элементов лица (Рис. 1.5). Каждая грань графа помечена расстояниями между её вершинами. В каждой такой точке вычисляются комплексные коэффициенты Габоровых функций при различных частотах и ориентациях. Набор таких коэффициентов {j;} называется джетом (jet) [110]. Джеты характеризуют локальные области изображений и служат для следующих целей:

1) нахождение точки соответствия в заданной области на двух различных изображениях;

2) сравнение двух соответствующих областей различных изображений.

Каждый коэффициент j} = а} ехр(/ ф} ) для точек из одной области

различных изображений характеризуется амплитудой а], которая медленно

меняется с изменением положения точки, и фазой^соторая вращается со скоростью, пропорциональной частоте волнового вектора базисного вейвлета. В простейшем случае для поиска на новом изображении точки с аналогичными характеристиками в функции подобия фазу не учитывают [110]

Функция подобия с одним джетом в фиксированной позиции и другим джетом с переменной позицией является достаточно гладкой для того, чтобы получить быструю и надёжную сходимость при поиске с применением простейших методов, таких как диффузия или градиентный спуск [110].

Более совершенные функции подобия привлекают информацию о фазе коэффициентов.

Ъл

stt{JJ)=

Рис. 1.5. Эластичный граф, покрывающий изображение лица [110]

Для различных ракурсов изображений соответствующие ключевые точки отмечены вручную на тренировочном наборе изображений. Кроме того, чтобы для одного и того же лица представить различные вариации его изображения в одном и том же графе для каждой точки используются несколько джетов, каждый из которых может соответствовать различным локальным характеристикам данной точки (например, открытому и закрытому глазу).

Процесс распознавания неизвестного лица состоит в сравнении графа изображения лица G1 со всеми остальными графами из набора В при помощи функции подобия (1.1) [111]

Список литературы диссертационного исследования кандидат наук Куликов, Александр Анатольевич, 2014 год

Литература

1. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Учебное пособие. - Мн.: Амалфея, 2000. - 304 с.

2. Горелик A.JI. и др. Современное состояние проблемы распознавания: Некоторые аспекты. М: Радио и связь, 2007.

3. Зинин A.M., Кирсанова JI.3. Криминалистическая фотопортретная экспертиза. М.: Наука, 1999

4. Каллан Р. Основные концепции нейронных сетей. Пер. с англ. - М.: Издательский дом «Вильяме», 2001. - 284 с.

5. Кухарев Г. А. Биометричские системы: Методы и средства идентификации личности человека. - СПб.: Политехника, 2001.-240 с.

6. Максимов H.A., Тучкин A.B. Аналитические методы исследования комплексов обработки результатов летных испытаниШТА. - М.: МАИ, 1997.-64 с.

7. Мамаев Е., ШкаринаТГ. MicrosoftSQLServer2000 для профессионалов. -СПб: Питер, 2001,- 1088 с.

8. Пентланд А., Чаудхари Т. Распознавание лиц для интеллектуальных сред // Открытые системы. - 2000 - №3.

9. Самаль Д.И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований: Автореф. дис... канд.техн.наук. 05.13.01 - Системный анализ, управл. и обработка инф-ии./ГНУ Институт техн.кибернетики HAH Беларуси. - Минск. :Изд-во ИТК HAH Беларуси, 2002.-22 с.

10. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица // Цифровая обработка изображений. -Минск: Ин-ттехн. кибернетики HAH Беларуси, 1998. - с.72-79

11. Самаль Д.И., Старовойтов В.В. Подходы и методы распознавания людей по фотопортретам (Препринт/ Ин-т техн. кибернетики HAH Беларуси, №8). -Минск, 1998.-54 с.

12. Старовойтов B.B. Локальные геометрические методы цифровой обработки и анализа изображений. - Мн:, 1997. - 284 с.

13. Зайченко Ю.П. Основы проектирования интеллектуальных систем. Учебное пособие. - К.: Издательский дом "Слово", 2004 - 352 с.

14. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. Учебное пособие для студентов высших учебных заведений. -К.: Издательский дом "Слово", 2008. - 344 с.

15. Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание. - М.: Издательский дом "Вильяме", 2008 - 1104 с.

16. Брилюк Д.В. Распознавание человека по изображению лица и нейросетевые методы. // Диссертационная работа- Институт Технической Кибернетики Национальной Академии Наук Беларуси, Минск, 2001

17. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Теликом, 2002.-94 с.

18. Шапиро Л., Дж. Стокман. Компьютерное зрение. Пер. с англ. - М.: Бином. Лаборатория знаний, 2006. - 752 е., 8 с. ил.: ил.

19. Куликов A.A. Разработка системы автоматической идентификации изображения лица персоны по видеоизображению. // Глобальный научный потенциал. №3 (24) 2013. С. 75 - 80.

20. Куликов A.A. Разработка нечеткой нейронной сети NEFClass М и проведение экспериментов. // Системы управления и информационные технологии. №2 (52) 2013. С. 66 - 70.

21. Куликов A.A., Мельков А.Е. Разработка алгоритма хранения данных

ДЛЯ

алгоритмов распознавания образов при формировании систем идентификации. // Экономика и менеджмент систем управления № 1.3 (2014). С. 86-91

22. Куликов A.A., Демкин Д.В., Мелков А.Е. Анализ влияния максимальной степени сжатия изображения лица на результат распознавания лица. //

Перспективы науки №3 2014 . С. 54-61.

23. Куликов A.A. Алгоритм нейронной сети NEFClass М и реализация алгоритма в среде Matlab». // Информационные технологии моделирования и управления. №3 (81) 2013. С. 262 - 268.

24. Куликов A.A., Мельков А.Е. Введение понятие джета в алгоритме эластичного графа позволившая повысить качество распознавания.

//Глобальный научный потенциал №3 2014г. С. 65-70

25. Куликов A.A. Современный метод защиты информации распознавания человека по изображению лица //Сборник тезисов VI Московская межвузовская научно-практическая конференция(2011г.).

26. Путилин А.Б., Куликов A.A. Распознавание видеоизображение пользователя для предоставления доступа к информации // Сборник тезисов VII Московская межвузовская научно-практическая конференция (2012г.)

27. Путилин А.Б., Куликов A.A. Разработка системы идентификации лица персоны по видео изображению. // Информационные технологии в науке и технике(2013г.).

28. Путилин А.Б., Куликов A.A. Разработка автоматической системы идентификации изображения лица персоны по видео изображению. // Сборник VIII Недели науки молодежи СВАО (2013 г.).

29. Путилин А.Б., Куликов A.A. Система автоматической идентификации изображения лица персоны по видео изображению. //Сборник «Карьера и образование - 2013» МГОУ имени B.C. Черномырдина.

30. A.B.Балдин, Д.В.Елисеев Адаптируемая модель данных на основе многомерного пространства Электрон.журн. -М,: «Наука и образование.Электронное научно-техническое издание» 2010 -Режим доступа: http// technomag. edu.ru/doc/161410 ,Ы;т1свободный (Дата обращения: 06.10.2011).

31. А.В.Балдин, Д.В.Елисеев Алгебра многомерных матриц для обработки адаптируемой модели данных Электрон.журн. -М,: «Наука и образование:Электронное научно-техническое издание» 2010 -Режим доступа: http// technomag.edu.ru/doc/199561.html свободный (Дата обращения: 06.10.2011).

32. А.В.Балдин,Д.В.Елисеев Адаптация темпоральной реляционной модели данных в многомерном пространстве [Электронный ресурс] Электрон, журн. - М.: «Наука и образование: электронное научно-техническое издание», 2011 - Режим доступа: http://technomag.edu.ru/doc/225699.html свободный (Дата обращения: 06.10.2011).

33. А.В.Балдин,Елисеев Д. В., Агаян К. Г. Обзор способов построения темпоральных систем на основе реляционной базы данных- Электрон, журн. - М.: «Инженерное образование: электронное научно-техническое издание», 2012 - Режим доступа: http://technomag.edu.ru/doi: 10.7463/0812.0441884 свободный (Дата обращения: 08.08.2012).

34. А.В.Балдин,Данчул А. Н.О реализации сервис-ориентированной архитектуры-Электрон. журн. - М.: «Инженерный вестник: электронное научно-техническое издание», 2012 - Режим доступа: http://technomag.edu.ru/doi: 77-48211/441863 свободный (Дата обращения: 07.07.2012).

35. А.В.Балдин,Данчул А. Н. О понятии «Архитектура системы» Электрон, журн. - М.: «Инженерный вестник: электронное научно-техническое издание», 2012 - Режим доступа: http://technomag.edu.ru/doi: 77-48211/441850свободный (Дата обращения: 06.06.2012).

36. А.В.Балдин,Тоноян С.А., Елисеев Д. В. Язык запросов к миварному

представлению реляционных баз данных, содержащих архив информации из предыдущих кадровых систем Инженерный журнал: наука и инновации 2013 № 11

37. Короткое А. Е., Панферов В. В. Применение обобщенного дерева поиска для нечеткого поиска строки // Наука и образование: электронное научно-техническое издание. 2011. Т. 3. (http://elibrary.ru/item.asp?id=l 5633743)

38. Коротков А. Е. Алгоритм разделения одномерных интервалов на группы при индексировании // Естественные и технические науки. 2012. Т. 2. (http://elibrary.ru/item.asp?id=l7660597)

39. Коротков А. Е., Трифонова Е. Е. Алгоритм расчета расстояния Левенштейна с пороговым значением // Естественные и технические науки. 2012. Т. 2. (http://elibrary.ru/item.asp?id=l7660598)

40. Динамическая модель генетического контроля развития растения на примере Arabidopsis thaliana // Информационные технологии, Т7, 2008 (М. А. Короткова, В. А. Рекубратский, О. А. Шульга, К. Г. Скрябин)

41. Пугачева В. М., Коротков А. Е., Коротков Е. В. Поиск парных точек сдвига фазы триплетной периодичности в генах из 17 бактериальных геномов //Математическая биология и биоинформатика. - 2012. - Т. 7. - №. 2. - С. 461-475. (http://elibrary.ru/item.asp?id=18419262)

42. Кудрявцев К.Я., Коротков А.Е. Методы повышения скорости поиска информации в базах данных. - М.: LAP Lambert Academic Publishing, 2012. - 84 с.

43. Коротков А. Е. Индекс базы данных для нечеткого поиска строки // Труды XIX международного научно-технического семинара. МНТС '10. 2010. С. 2008-2009.

44. Коротков А. Е., Панферов В. В. Применение обобщенного дерева поиска для нечеткого поиска текста // Труды научной сессии МИФИ-2010. 2010. С. 174-176.

45. Коротков А.Е. Новый алгоритм разделения узла для R-дерева,

основанный на двойной сортировке // Наука и образование: электронное научно-техническое издание. 2012. Т. 1. (http://elibrarv.ru/item.asp?id=17650860>)

46. Korotkov A. Automatic Creation of User Interfaces for Information System // Proceedings of the IADIS International Conference Applied Computing. IADIS '09. 2009. Pp. 327-329.

47. Korotkov A. Database index for approximate string matching // Proceedings of the 4th Spring/Summer Young Researchers' Colloquium on Software Engineering. SYRCoSE '10. 2010. Pp. 136-140.

48. Korotkov A. Automatic Creation of User Interfaces for Information System. SYRCoSE '09. 2009. Pp. 132-134.

49. Korotkov A. Database index for approximate string matching // Proceedings of the 5th Spring/Summer Young Researchers' Colloquium on Software Engineering. SYRCoSE '11. 2011. Pp. 36-41.

50. Korotkov A. A new double sorting-based node splitting algorithm for R-tree // Programming and Computer Software. 2012. Vol. 38, Issue, Pp. 109-118.

51. Shelenkov A., Korotkov A., Korotkov E. MMsat—a database of potential micro- and minisatellites // Gene. 2008. Vol. 409, no. 1-2. Pp. 53 - 60.

52. Abdi H. A generalized approach for connectionist auto-associative memories: interpretation, implications and illustration for face processing // Artificial Intelligence and Cognitive Sciences.- 1998. - Manchester.

53. Abdi H. Additive-tree representations (with an application to face processing) // Lecture Notes in Biomathematics. - 1995. - 84. - PP.43-59.

54. Abdi H., Valentin D., Edelman B.E., O'Toole A.J. More about the difference between men and women: Evidence from linear neural networks and the principal component approach // Perception. - 1995. - 24. - PP.539-562.

55. Abdi H., Valentin D., O'Toole AJ. A generalized auto-associator model for face semantic processing //Journal of Mathematical Psychology. 1996.40.PP. 175-182.

56. Belhumeur P. N., Hespanha J. P., Kriegman D. J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. - vol. 19. - PP.711-720.

57. Beymer D.J. Face Recognition Under Varying Pose // MIT AI Lab / AI memo 1461 / Technical Report. - December 1998.

58. Beymer D.J. Face recognition under varying pose // Center for Biological and Computational Learning, M.I.T. / A.I.Memo 1461,- 1993.

59. Brunelli R., Poggio T. Face recognition: features versus templates // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1993. - vol.15. -№10.-PP. 1042-1052

60. Choudhury T. et al. Multimodal Person Recognition Using Unconstrained Audio and Video // Proceedings 2nd Conf. Audio- and Video-Based Biometric Person Authentication. -2005. - Univ. of Maryland. - PP. 176-181

61. Cox I.J., Ghosn J., Yianilos P.N. Feature-based face recognition using mixture distance // NEC Research Institute / Technical Report 95-09. - 2001.

62. Esme B., Sankur B., Anarim E. Facial feature extraction using genetic algorithms // 8-th European Signal Processing Conference. - 2003. — Trieste. - PP.1511-1514.

63. Essa I., Pentland A. A Vision System for Observing and Extracting Facial Action Parameters // MIT Media Lab / Technical report 247. - 1993.

64. Etemad K., Chellapa R. Discriminant Analysis for Recognition of Human Face Images // Journal of the Optical Society of America. - 2004. - PP. 17241733

65. Fleming M., Cotterell G. Categorization of faces using unsupervised feature extraction // Proceedings of IEEE IJCNN International Joint Conference on Neural Networks. - 2003. - PP. 65-70.

66. Graham D.B., AllinsonN.M. Face recognition using virtual parametric eigenspace signatures //Image Processing and its Applications. 1997.PP. 106110.

67. GrudinM. A., Lisboa P. J., Harvey D. M. Compact Multi-Level Representation of Human Faces for Recognition// 6th Int. Conf. on Image Processing and its Applications. - 1997. - Trinity College, Dublin. - PP. 111115.

68. Heisele B., Ho P., Poggio T. Face recognition with support vector machines: global versus component-based approach// Proceedings of 8th International Conference on Computer Vision. - 2001. - Vancouver.

69. Hormel M., Konen W., Fuhrmann S., Flügel A. Neural systems for complex identification tasks: the access control system ZN-Face and the alarm identification SENECA // Proceedings of ICANN95. - 1995. - Paris.

70. Kirby M., Sirovich L. Application of the Karhunen-Loeve Procedure for Characterization of Human Faces // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2008. - PP. 103-108.

71. Kohonen T. Self-Organization and Associative Memory, Springer-Verlag, Berlin, 1999

72. Konen W. Comparing facial line-drawings with gray-level images: A case study on PHANTOMAS // Proceedings of ICANN96. - 1996. - Bochum.

73. Konen W., Schulze-Krüger E. ZN-Face: A system for access control using automated face recognition // Proceedings of Int. Workshop on Automated Face and Gesture-Recognition. - 1995. - Zurich.

74. Krüger 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. - PP. 764-768.

75. Kruger V., Sommer G. Gabor wavelet networks for object representation // Proceedings of the Int. Dagstuhl 2000 Workshop. -2000. - LNCS. Springer.

76. Kruizinga P., Petkov N. Optical flow applied to person identification // Proceedings of the 1994 EUROSIM Conference on Massively Parallel Processing Applications and Development. - 1994. - Elsevier, Amsterdam. -PP.871-878.

77. Kruizinga P., Petkov N. Person identification based on multiscale matching of cortical images // Proceedings of the the International Conference and Exhibition on High-Performance Computing and Networking, HPCN Europe'95. - 1995. - Milan, Italy. - PP. 420-427.

78. Lades M., Vorbruggen J. C., Buhmann J., Lange J., Von der Malsburg C., Wurtz R. P., Konen W. Distortion Invariant Object Recognition in the Dynamic Link Architecture // IEEE Transactions on Computers. - 1993. -vol.42.-№3.-PP. 300-311.

79. Lanitis A., Taylor C. J. and CootesT. F. Automatic Interpretation and Coding of Face Images Using Flexible Models // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. - vol. 19. - PP. 743-756.

80. Lawrence S, Giles C.L., Tsoi A.C., Back A.D. Face Recognition: A Convolutional Neural Network Approach // IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition. - 1997. -vol. 8,-№1,-pp. 98-113.

81. Lawrence S., Lee Giles C., Tsoi A.C., Back A.D. Face Recognition: A Hybrid Neural Network Approach // IEEE Transactions on Neural Networks. - 1996.

82. Lee T.S. Image representation using 2D Gabor wavelets // IEEE Transactions on Pattern Recognition and Machine Intelligence. - 1996. - vol. 18. - №10.

83. Lyons M.J., Budynek J., Akamatsu S. Automatic Classification of Single Facial Images // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1999. - vol.21. - №12. - PP.1357-1362.

84. Lyons M.J., Budynek J., Plante A., Akamatsu S. Classifying facial attributes using a 2-D Gabor wavelet representation and discriminant analysis // IEEE Conf. on Automatic Face and Gesture Recognition. - 2000. - Grenoble, France. - PP.202-207.

85. Moghaddam B., Pentland A. An Automatic System for Model-Based Coding of Faces // IEEE Data Compression Conference. - 1995. - Snowbird, Utah.

86. Moghaddam B., Pentland A. Probabilistic Visual Learning for Object Representation // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. - vol. 19. - PP. 696-710.

87. Nastar C., Pentland A. Matching and Recognition Using Deformable Intensity Surfaces//IEEE International Symposium on Computer Vision. 1995.Coral Gables.

88. Nefian A.V., Hayes M.H. An embedded hmm-based approach for face detection and recognition // Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. - 1999. - vol.6. - PP. 3553-3556.

89. O'Toole A.J., Abdi H. Deffenbacher, K.A., Valentin, D. A low dimensional representation of faces in the higher dimensions of the space // Journal of the Optical Society of America. - 1993.-№10.-PP. 405-411.

90. Penev P., Tick J.A. Local Feature Analysis: A General Statistical Theory for Object Representation // Network: Computation in Neural Systems. - 1996. -PP.477-500.

91. Pentland A. Smart Rooms, Smart Clothes, Scientific American, Apr. 1996, pp.68-76

92. Pentland A. Wearable Intelligence // Scientific American. - 1998. - PP. 90-95.

93. Pentland A., Moghaddam B., Starner T. View-Based and Modular Eigenspaces for Face Recognition // MIT Media Lab Vismod /Technical report 245. - 1993.

- Perkins C., Fricke T. Wavelets // Department of Electrical Engineering University of California at Berkeley. - 2000, - 18 P.Philippe G. Schyns and Heinrich H. Bulthoff: Conditions for Viewpoint Dependent Face Recognition // MIT AI Lab / AI memo 1432 / Technical Report. 1993.

94. Phillips P. et al. The Feret Database and Evaluation Procedure for face

Recognition Algorithms//Image and Vision Computing. 1998. - PP.295306.

95. Potzsch M., Kriiger N., Von der Malsburg C. Improving object

recognition by transforming Gabor filter responses //Network: Computation in Neural Systems.1996. - vol.7. - №2,- PP.341-347.

96. Rajesh P. N. Rao and Dana H. Ballard: Natural Basis Functions and Topographic Memory for Face Recognition // Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI). - 1995. - PP. 10-17.

97. Rosenblum M., Yacoob Y., Davis L.S. Human Emotion Recognition from Motion Using a Radial Basis Function Network Architecture // IEEE Workshop on Motion of Non-Rigid & Articulated Objects. - 1994. -Austin, TX. - PP.4349.

98. Samaria F. Face Segmentation For Identification Using Hidden Markov Models // Proceedings of 4th British Machine Vision Conf. - 2005. -Springer-Verlag.

99. Samaria F., Fallside F. Automated Face Identification Using Hidden Markov Models // Proceedings of the Int. Conf. Advanced Mechatronics, The Japan Society of Mechanical Engineers. - 2004.

100. Samaria F., Fallside F. Face Identification and Feature Extraction Using Hidden Markov Models // Image Processing: Theory and Applications. -1993. - Elsevier.

101. Sirovitch L., Kirby M. Low-dimensional procedure for the characterization of human faces // Journal of the Optical Society of America. - 1987. - №2. -PP. 519-524.

102. Sung K. K., Poggio T. Learning Human Face Detection in Cluttered Scene // Lecture Notes in Computer Science - Computer Analysis of Images and Patterns. - 1995. - PP. 432-439.

103. Turk M., Pentland A. Eigenfaces for Recognition // Journal of Cognitive Neuroscience. - 1991. - PP. 71-86.

104. Valentin D., Abdi H. Can a linear autoassociator recognize faces from new orientations //Journal of the Optical Society of America. - 1996. - №13.

105. 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.2009. Hillsdale, Erlbaum.

106. Valentin D., Abdi H., O'Toole A.J., Cottrell G.W. Connectionist models of faceprocessing.A survey//Pattern Recognition. 1994.№27 .PP. 1208-1230.

107. 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. - 2010. - №2. - PP.413 429.

108. Weiser M. The Computer for the 21st Century // Scientific American. -2010. PP. 66-76.

109. Wilson C. L., Barnes C.S., Chellappa R., Sirohey S.A. Technical Report NISTIR 5465.-2009.

110. Wiskott L., Fellous J.M., Kruger N., Von der Malsburg C. Face Recognition and Gender Determination // Proceedings of the International Workshop on Automatic Face and Gesture Recognition. - 2009. - Zurich. -PP. 92-97.

111. Wiskott L., Fellous J.M., Kruger N., Von der Malsburg C. Face Recognition by Elastic Bunch Graph Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2003. - vol.19.- №7. -PP. 775-779.

112. Wiskott L., Von der Malsburg C. A Neural System for the Recognition of Partially Occluded Objects in Cluttered Scenes // Int. Journal of Pattern Recognition and Artificial Intelligence. - 2008. - vol.7.- №4. - PP. 935-948.

113. Wurtz R. P. Object Recognition Robust Under Translations, Deformations, and Changes in Background // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2007. - vol.19. - PP. 769-775.

114. Yacoob Y., Davis L.S. Computing Spatio-Temporal Representations of Human Faces // IEEE Conference on Computer Vision and Pattern Recognition. - 1994. - Seattle, WA. - PP. 70-75.

115. Yacoob Y., Davis L.S. Recognizing Facial Expressions by Spatio-Temporal Analysis // 12th International Conference on Pattern Recognition. - 1994. -Jerusalem, Israel. - PP. 747-749.

116. Yacoob Y., Lam H., Davis L.S. Recognizing Faces Showing Expressions // International Workshop on Automatic Face- and Gesture-Recognition. - 1995. - Zurich.

Список работ, опубликованных по теме диссертации

Статьи в журналах из перечня ВАК РФ:

1. Куликов A.A. Разработка системы автоматической идентификации изображения лица персоны по видеоизображению. // Глобальный научный потенциал. №3 (24) 2013. С. 75 - 80.

2. Куликов A.A. Разработка нечеткой нейронной сети NEFClass М и проведение экспериментов. // Системы управления и информационные технологии. №2 (52) 2013. С. 66 - 70.

3. Куликов A.A., Мельков А.Е. Разработка алгоритма хранения данных для алгоритмов распознавания образов при формировании систем идентификации. // Экономика и менеджмент систем управления № 1.3 (2014). С. 86-91

4. Куликов A.A., Мельков А.Е. Введение понятие джета в алгоритме эластичного графа позволившая повысить качество распознавания. //Глобальный научный потенциал №3 2014г. С. 65-70

5. Куликов A.A., Демкин Д.В., Мелков А.Е. Анализ влияния максимальной

степени сжатия изображения лица на результат распознавания лица. // Перспективы науки №3 2014 . С. 54-61.

Другие работы:

6. Путилин А.Б., Куликов A.A. Разработка системы идентификации лица персоны по видео изображению. // Информационные технологии в науке и технике(2013г.).

7. Путилин А.Б., Куликов A.A. Разработка автоматической системы идентификации изображения лица персоны по видео изображению. // Сборник VIII Недели науки молодежи СВАО (2013 г.).

8. Путилин А.Б., Куликов A.A. Система автоматической идентификации изображения лица персоны по видео изображению. //Сборник «Карьера и образование - 2013» МГОУ имени B.C. Черномырдина.

9. Куликов A.A. Алгоритм нейронной сети NEFClass М и реализация алгоритма в среде Matlab». // Информационные технологии моделирования и управления. №3 (81) 2013. С. 262 - 268.

Ю.Куликов A.A. Современный метод защиты информации распознавания человека по изображению лица //Сборник тезисов VI Московская межвузовская научно-практическая конференция(2011г.)

11.Путилин А.Б., Куликов A.A. Распознавание видеоизображение пользователя для предоставления доступа к информации // Сборник тезисов VII Московская межвузовская научно-практическая конференция (2012г.)

Приложение 1 - Расчет параметров ННС NEFClass М в математическом редакторе МаШсас!

К;= 40( количество пикселов

У.= 4С количество образов

] :=0.Л-5- 1 К:=К- 1

АЛЛ/

А^сШ^)

АЛЛА Х '

АА : = зиЬтай1х(А, 0, К, 0, со1б (А) - 1) АА^ :=1С®(АА^)

АА

^ :=](яе(АА^>)2 + (щАА)(]))2

ААА

V-и*-«ЛааП

:= сеП

' ааа^> 25/

а^ААА^)

ш^ш1

кц := 5

кт := кжз(Ш) кх:=со1з(Щ)

кр := сег11 — го\У5(1М) ко := сокСОиТ)

У

Е:\Мои документы\\Ба1а\ in46.xls

рг :=

Е:\Мои документы\ \DataX pr46.xls от := Е:\Мои документы\ \Data\out46.xls

ОиТ:=8иЬтай1х(оШ;,0,.Г - 1,0,1-5- 1)

ОиТО :=

йэг 1 е 0.. гои'5(ОиТ) - 1 «эг j £ 0.. сокСОиТ) - 1

I.. 1 ц- оит.. = 1

I. . •<- О оЛептее

оит

^оит1

РГ

ВВ := зиЬта1пх(В, 0, К, 0, сок (В) - 1)

вв^:=1ст(вв^)

вв

-<]> :=](кс(ВВ)<^2 + (ьиСВВ)^)"

ввв

РЯ^ := сеП

ВВВМ

V-1

таДВВВ^

Щ

■25&

Р11:=Р1Г

i := 0.. кц - 1 перебор нечетких множеств

j := 0.. kin - 1 перебор образцов

к: = 0.. кх - 1 перебор входов образца

• frv/k)^ maxilN"^) - rmn(lN<k)) u:=nunllN j +---

>ilN(k))-mm(lN<k>)

b. .:= i,k

max

2кц

|u(s,a,b,i,k) :=exp

(s"ai,k)'

k:=C s:=0,l..majilN^)

(2-i + 1)

образцы

функции принадлежности

6x10

входь

0 1 2 3 4 5 6 7

0 11152 12365 17585 18717 17137 7914 18121 6870

i 12341 23285 43621 46104 44967 48147 25660 14584

2 9353 23342 42900 57135 47203 28211 20330 6573

3 35704 23603 26352 40766 27920 26605 10459 11256

4 4979 7121 30517 38769 44600 25157 15931 8663

5 26497 8757 6711 11295 13182 9176 6272 5664

6 6205 7547 7533 12766 7501 5705 5076 4844

7 5249 6725 6957 20533 16595 7577 5882 5333

8 3550 4918 5066 4620 3861 3587 3160 2462

9 28706 9071 8050 28848 19227 7570 5813

0 1 2 3 4 5 б

0 8119.4 7405.3 8361.2 8932.7 6023.3 4941.6 5762.9

1 19096.2 15363.9 19919.6 20940.1 18069.9 14542.8 13464.7

2 30073 23322.5 31478 32947.5 30116.5 24144 21166.5

3 41049.8 31281.1 43036.4 44954.9 42163.1 33745.2 28868.3

4 52026.6 39239.7 54594.8 56962.3 54209.7 43346.4

R:=

л/w

for j e 0.. kin - 1 for к € 0.. kx- 1 for i e 0..кц - 1 m n(lN. k,a,b,i,kj

mm ^ match(ma>(m), m)^ ^ l l,\OU 0,0

kin = 200 kx= 400 кц = 5

формируем полную таблицу правил

mn. <— match J

R, =

rQ <- mm

mn

Oi(In,R,a,b) :=

for m e 0.. rows^Rgj - 1

for j 6 0.. kin - 1 t 1

for k£0..kx- 1

функция активации правил

t<-t-n г. <-1

j,m

Ь k,a,b,(R(

m,k

Ob := Or(IN,R,a,b)

образцы

оь =

j=0

0

0 7.249-10-15

1 5.99'10"17

2 9.424-10"16

3 ...

правила

0

0 0

i 0

2 0

3 0

4 0

5 1

6 1

7 1

8 1

9 1

10 2

11 2

12 2

13 2

14 2

IS

0 I 2 3 4 5 6 7

0 0 1 1 1 1 0 2 0

1 0 2 3 3 3 4 3 1

2 0 2 3 4 3 2 2 0

3 3 2 2 3 2 2 1 1

4 0 0 2 2 3 2 1 0

5 2 0 0 0 1 0 0 0

6 0 0 0 0 0 0 0 0

7 0 0 0 1 1 0 0 0

8 0 0 0 0 0 0 0 0

9 2 0 0 2 1 0 0 0

10 2 3 2 1 2 0 3 3

11 2 3 2 2 2 2 4 3

12 2 3 3 2 2 1 3 3

13 2 3 1 1 1 1 3 3

14 2 3 1 1 1 1 4 3

15 2 3 2 1 0 2 3

правила

0 1 2 3 4

0 7.249 10"15 0 0 0 3.939-10-260

1 0 5.99" 10"17 0 0 0

2 0 0 9.424-10-16 2.446-10-196 1.379-10-278

3 0 0 2.189-10-195 7.057-10-16

СИ. :=

&>г о е О..ко - 1 г <- О й <- О

Йэг со е 0.. гешэ |та1сЬ , Я ^ - 1

со

I п <- пШсЬтД,) со,О V V

^со, 1 ^пшХсЦо,К^)с

Т сдаЛО,!)

бэг 02 е 0.. сейГ —1-1

И,

<Т,

гои'яСГ)

ог,0

« . <- (я.)

ог,1 \ 1/х

Аго«я(Т)-1-ог,0

тт и а о = о

ТТ <- з1аск(ТТ,й) ОЛСПУ^С Аэг р е 0..кр - 1 Вэг к е 0..кх- 1

1х . «-(ТТ

Р.к I Р. ОД,

'О,к

ТТТ0 <- Ьс

ТТТ1 <- ТТ ТТТ

выбор лучших правил

У

си.

t<- 0

for j e 0.. rows (Ob) - 1

t t + 1 if OUT,

J.(R)

match

lio280obT)<j>],(io280

Cl(Ob,R) :=

k 0 t <- 0

for j e 0.. rows (Ob) - 1

if OUT

j,(R)

Sc.O

Vr

match

match

W^ltio^f!

k<-k+ 1

CqOb.R) :=

k<- 0

for j e 0.. rows(Ob) - 1

if rows

match ma?

T. rows k

k <- k + 1

match

0г1 := Ог(РК,СК,а,Ь)

WRC := {от р е 0.. гохуэ^СЯ^ - 1

инициируем выходные веса

г <- 1 р

йэг j е. О..1оп- 1 йэг о е О..ко - 1

ьЦтаЮ^о,!^))

\ со ^пШсЦоД,)^

Т. <-

со = 0

кз^так^оД,))

I

со =0

\УЯС

со

Функция активации выхода

А := Ос(Ог{1К,СК,а,Ь),СК,\УКС)

1ап-1 ко-1

ее(Ос) := ]Г X Ц0^. ° " ^, °)

j-0 о=0

gradFa(A,B) :=

da <- A - A ORI <- Oi(IN, CR, A, В) OC1 Oc(ORl, CR, WRC) for j e 0..kin- 1 for p e 0..kp - 1 for ke0..kx- 1

ko-1

<&(nx>\ ,<-da/™\ . -2- V [YOUTO. - OC1- )• WRC 1-OR1. • (CR0) к ICR0) ,k Zj L\ J>° J»°/ PJ J>P

p,k

dda, <r- da

о =0

INj,k-A(CRo)

B,

'(CR0)p>k,k

k^fla(CRo) t.k 'p,k

gradFb(A,B) :=

tQ<-da tj <- dda

db <- В - В ORI <- Oi(IN, CR, A,В) OCl<- Oc(ORl,CR,WRC) for j e 0..kin - 1 for p e CLkp - 1 for к e 0..kx- 1

ko-1

db, x , <- db/\ , - 2- Y (TOUTO. - OC1. V WRC "l-ORl. (CRo) .к (CRo) ,k Lu W J,o pJ j,i

p>k p'k „-гл

p,k ddb, db

о =0

INj,k_A(CRo)

B,

'(CRo)p,k'k

k (c4,k'k

tQ<-db ddb

mMa(A,B,P) :=

a <-

a <- 0 b 100

-l + yf5 2

X <-a + (1 -a)-(b - a) (j. <- a + a-(b - a)

while b - a S 10~ 5

if ee(0c(0r(IN,CR,A + X-P,B),CR,WRC)) > ee(Oc(Or(IN,CR,A + n-P,B),CR,WRC)) a X X <- (a.

H<-a + a-(b - a)

otherwise b