Диссертация (1172947), страница 17
Текст из файла (страница 17)
Для этого необходимо задать правилапредметной области и сущности ИАС.Основные правила предметной области: одному человеку могут соответствовать несколько изображений; одному изображению лица соответствует уникальный математическийшаблон; одному человеку могут соответствовать несколько идентифицирующихдокументов; одному оператору ИАС может соответствовать несколько запросов; одному человеку могут соответствовать несколько запросов в ИАС; в один момент времени одному человеку могут соответствовать несколькоэмоциональных состояний; в один момент времени одному человеку могут соответствовать нескольковидов поведения;108 одному уровню напряженности могут соответствовать несколько человек; в один момент времени одному человеку соответствуют уникальныепоказатели датчиков электроэнцефалографии; в один момент времени одному человеку соответствуют уникальныепоказатели пневмографа; в один момент времени одному человеку соответствуют уникальнаякожно-гальваническая реакция; в один момент времени одному человеку соответствуют уникальныепоказатели сердечно-сосудистой системы и т.д.Данныеправилавводятопределенныеограничениянапроцессы,происходящие в базе данных.
В таблице 3.1 определены сущности АС.Структура ЦБД и ЛБД приведена на рисунках 3.3 и 3.4 соответственно.Описание таблиц и полей ЦБД и ЛБД представлено в Приложении 1.Представленныеструктураиперечень полейБДраскрываюторганизации и расположение материалов.Таблица 3.1 – Сущности ИАССущностьСохраняемые параметрыинтересант, попавший в фамилияполе деятельности АСимяотчестводата рождениядокумент,названиеудостоверяющийномерличностьфамилияимяотчествополпуть в файловой системе к расположению фотопортретадругие параметрыисториязапросов сведения об оператореоператорасведения об интересантедата и время запросапараметры запросаоператор АСфамилияимяотчествополдата рожденияномер документа, удостоверяющий личностьпринцип109математический шаблон матрица математического шаблонаизображения лицаметод построения шаблонаизображениеистория местоположений идентифицирующие сведения об интересантеинтересантадата и времяадрес местоположениеЛБДIP-адресгеографический адреспараметрыпсихофизиологическоеповедениесостояние интересантаэмоциональное состояниестепень солевых выделенийнапряженностьуровень треморавеличина зрачковтемператураудельная плотностьдругие параметрыпоказатели полиграфавопросответстепень солевых выделенийвеличина зрачковуровень треморанапряженностькожно-гальванический рефлекспоказатель электроэнцелографиисостояние сердечно-сосудистой системытемпературные характеристикипоказатели пневмографа110Рисунок 3.3 Структурная схема ЦБД111Рисунок 3.4 Структурная схема ЛБД3.3 Двухуровневый гибридный алгоритм распознавания лиц всистеме поддержки управленияСтремительное развитие компьютерных технологий и появление все новыхвозможностейиспользованиявычислительныхустройствпозволиливзначительной степени усовершенствовать методы распознавания лиц на основекомпьютерного зрения.
Тем не менее, нельзя с полной уверенностью говорить,что компьютер способен полностью заменить человека при решении сложныхзадач распознавания.Вданнойработепредлагаетсядвухуровневыйгибридныйметодраспознавания лиц (ДГМ), основанный на построенной модели нагрузки сетивидеоконтроля (см. п.2.2) и когнитивных механизмов человеческого зрения.Cеть видеоконтроля представляется конечной однородной Марковскойцепью, в которой элементами фазового пространства являются идентификаторыкамер.Тогдамножествопересекающиесярассматриватьклассы.ввидеидентификаторовТакимобразом,ориентированногокамерсетьграфараспадаетсявидеоконтролявозможныхнанеможномаршрутовпередвижения интересанта. Вершинами графа являются места видеофиксации(вход, касса и прочее). Каждое ребро графа помечено меткой, значение которойявляется вероятностью того, что интересант в предыдущий момент временинаходился в начальной вершине, при условии, что сейчас он находится вконечной вершине. Также было доказано, что если при распознаванииинтересанта сравнивать лицо с уже идентифицированными лицами в смежныхвершинах в порядке уменьшения значения метки ребра, то точность и скоростьраспознавания повышается.Однако при такой процедуре наиболее критично точное распознаваниеинтересанта в начальной вершине графа, так как некорректное распознавание вданной вершине приведет к ошибкам во всех остальных вершинах.113Во всех вершинах графа, за исключением начальных, предлагаетсяиспользовать МГК.
В сочетании с вероятностным графом маршрутов МГКпродемонстрировал достаточно хорошую точность и скорость распознавания.Дляповышенияточностираспознаваниявначальнойвершиневероятностного графа маршрутов предлагается использовать двухуровневыйметод (ДМ). В ДМ используются холистический и локальный методыраспознавания.В соответствии с психологическими исследованиями Олива и Торалба [123]механизмов, лежащих в основе человеческого зрения, локальные и холистическиепризнаки используются в человеческом восприятии, но играют разные роли.
Вгипотезах [122] предполагается, что человеческое восприятие обрабатываютхолистические признаки раньше, чем локальные. В холистических признакахсодержитсястатистическаясводкаопространственныхсвойствахлица,описывающая его общие контуры и текстуру. С другой стороны, известно, что влокальных признаках содержится подробное описание отдельных черт лица.Алгоритм ДМ [109] подразумевает два последовательных этапа. На первомэтапе выполняется поверхностное распознавание, основанное на МГК, при этомрасстояние между эталонным изображением и проверяемыми изображениямииспользуется для измерения точности распознавания.
В случае если расстояниемежду проверяемым изображением и центрами кластеров приблизительноодинаково,тоиспользуетсяМГЛБШГ.ПрииспользованииМГЛБШГуменьшается число проверяемых изображений посредством выбора первых nизображений, после сортировки их в порядке возрастания степени сходства сэталонным изображением.
При увеличении количества проверяемых изображенийожидаетсяуменьшениевероятностиошибки,нонеизбежноувеличениевычислительной нагрузки.Преимущество данной стратегии «от поверхностного до детальногораспознавания» является уменьшение вычислительной нагрузки; после первогоэтапа сохраняется только небольшое количество проверяемых изображений. Эта114стратегия наиболее эффективна, когда на последнем этапе используются сложныевычислительные методы, наподобие фильтрации Габора.Предложенный подход к распознаванию в начальной вершине имеетгибкую конструкцию, что позволяет закончить процедуру распознавания напервом этапе с использованием МГК. В экспериментах предложенный методпоказал свою большую эффективность с точки зрения не только скоростивычислений, но и точности распознавания лиц в условиях измененияосвещенности по сравнению с алгоритмами распознавания, основанными на МГКи вейвлетах Габора.Для функционирования системы распознавания необходимо хранить в БДизображение лица и представление в виде главных компонент, а для центровкластеров еще и представление в виде гистограмм локальных бинарных шаблоновГабора.Алгоритм функционирования системы распознавания представлен блоксхемой на рисунке 3.5.
Он отличается от обобщенного алгоритма работы системыраспознавания лиц и более полно отражает наличие необходимости строитьменьшие по размеру БД и применять меньшую частоту сравнений с эталоном.115Начало поиска нарушителей на объектеНачало идентификации нарушителяВычисление математического шаблонаочередного изображения лицаПолучение шаблонов центровкластеровДекомпозицияСравнение вычисленного математическогошаблона с хранимыми центрами кластеровнетШаблон соотносится с одним изхранимых?Упорядочивание шаблонов повероятности совпаденияИдентификация с использованиемметода главных компонентдаОповещение о нарушителенетЗавершить процесс поисканарушителей?даЗавершение поиска нарушителя наобъектеУровень достоверности приемлем?нетИдентификация с использованиемметода гистограмм локальныхбинарных шаблонов ГаборадаЗавершение идентификациинарушителяРисунок 3.5.– Блок-схема усовершенствованного алгоритма идентификациина основе уникальности биометрии лица3.4 Подход к поиску в хранилище системы поддержки управленияДля улучшения характеристик системы можно использовать алгоритмпоиска изображений лиц в БД, так как при необходимости осуществить поисклица по входной фотографии, в представленной ИАС достаточно сравнитьфотографию только с достаточно небольшим набором изображений (центрами)каждого кластера.Алгоритм поиска изображений лиц в БД:1) Вычислить математический шаблон изображения лица.2) Произвести сравнение математического шаблона изображения лица сшаблонами центров кластеров в ЦОП.1163) Если уровень доверия выше заданного порога, предоставить операторукомплекса изображения личности и информацию об идентификационныхдокументов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
