авторефераты диссертаций www.x-pdf.ru
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
 

На правах рукописи

Соломатин Алексей Юрьевич

МЕТОД ИДЕНТИФИКАЦИИ СУБЪЕКТОВ ПО ИЗОБРАЖЕНИЮ ЛИЦ В

СИСТЕМАХ РАЗГРАНИЧЕНИЯ ДОСТУПА НА ОСНОВЕ

ИММУНОКОМПЬЮТИНГА

Специальность: 05.13.19 – «Методы и системы защиты информации,

информационная безопасность»

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Санкт-Петербург - 2015

2

Работа

выполнена

в

Санкт-Петербургском

национальном

исследовательском университете информационных технологий, механики и

оптики.

Научныtй руководитель

доктор технических наук, профессор,

Зикратов Игорь Алексеевич

заведующий кафедрой безопасных

информационных технологий

Университет ИТМО

Официальные оппоненты

доктор технических наук, профессор,

Коржик Валерий Иванович

профессор кафедры защищенных систем связи

Санкт-Петербургского государственного

университета телекоммуникаций им. проф.

М.А. Бонч-Бруевича

кандидат технических наук,

Гришкин Валерий Михайлович

доцент кафедры компьютерного моделирования

и многопроцессорных систем Санкт-

Петербургского государственного университета

Ведущая организация

Государственный университет морского и

речного флота имени адмирала С.О. Макарова,

Санкт-Петербург

Защита состоится «30» декабря 2015 года в 15 час. 50 мин. на заседании

диссертационного совета Д.212.227.05 при Санкт-Петербургском национальном

исследовательском университете информационных технологий механики и

оптики по адресу: 197101, Санкт-Петербург, Кронверкский пр., д.49.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского

национального исследовательского университета информационных технологий

механики и оптики.

Автореферат разослан «__» _________ 2015 года.

Ученый секретарь

диссертационного совета

Д.212.227.05

кандидат технических наук,

доцент

Поляков В.И.

3

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Задача

идентификации

личности

в

автоматических

системах

разграничения доступа является одной из наиболее важных задач в теории

защиты информации. В современном мире наиболее эффективные методы

идентификации личности основываются на биометрических параметрах

человека, которые по типу используемой информации классифицируются на

физиологические и поведенческие. Среди физиологических показателей, часто

применяемым на практике, можно отнести отпечатки пальцев, изображение

лица, радужной оболочки глаза и геометрии рук человека. Подпись и голос

человека относятся к наиболее используемым поведенческим показателям.

Достоинства

биометрических

методов

идентификации

человека

превосходят традиционные методы с использованием паролей или технологии

инфраструктуры открытых ключей, которые уязвимы перед потерей, кражей и

фальсификацией. Основным достоинством биометрических методов является

то,

что

уникальные

биометрические

параметры

трудно

отделить

от

дееспособной личности, что обеспечивает возможность идентифицировать

человека с высокой степенью достоверности. В настоящее время к основным

недостаткам биометрических методов можно отнести высокую стоимость

разработки

программного

и

аппаратного

обеспечения,

реализующего

идентификацию человека на основе биометрических показателей. Однако

высокая в настоящее время стоимость разработки программного и аппаратного

обеспечения не может являться постоянным недостатком, а предполагает в

будущем возможность удешевления указанной стоимости разработки в связи с

появлением нового программного обеспечения, а также использования более

прогрессивного оборудования для считывания биометрических показателей.

Идентификация человека по отпечаткам пальцев является одним из

наиболее часто встречающихся методов, который основывается на анализе

деталей папиллярных узоров, состоящих из множества папиллярных линий на

коже. Эти линии у каждого человека формируют уникальный рисунок. Метод

идентификации человека по отпечаткам пальцев

предполагает, что не

существует двух одинаковых рисунков папиллярных узоров на коже, а

следовательно, не существует и двух одинаковых отпечатков пальцев.

Автоматическая идентификация отпечатков пальцев осуществляется за счет

вычисления ориентации бороздок в каждом пикселе, сегментации бороздок и

локализации деталей с последующей идентификацией.

В

1994

году

появился

первый

автоматизированный

алгоритм

идентификации человека по радужной оболочке глаза, который был разработан

математиком Джоном Даугманом. В результате работы этого алгоритма на

входном изображении происходит поиск радужной оболочки и составляется еѐ

код. Дополнительно создаѐтся маска, где изображение зашумлено, затем маска

накладывается на исходный код радужной оболочки. Для осуществления

процедуры идентификации вычисляется расстояние Ричарда Хэмминга, то

4

есть,

функция,

определяющая

расстояния

в

метрическом

пространстве различий объектов одинаковой размерности. Для одинаковых

радужных оболочек расстояние Ричарда Хэмминга является наименьшим.

Данный алгоритм до сих пор лежит в основе многих систем идентификации

человека по радужной оболочке.

Идентификация

человека

по

изображению

лица

обуславливается

простотой фиксирования данного биометрического признака. Основными

характеристиками алгоритмов идентификации по изображению лица являются

скорость вычисления признаков, время сравнения признаков и точность

идентификации. Стоит отметить, что точность идентификации зависит от

многих факторов: например, освещенности, четкости исходного изображения,

размера лица на изображении, мимики и ракурса съѐмки. Поэтому задача

разработки метода, устойчивого к этим факторам, является актуальной.

Цель работы

Целью

работы

является

повышение

степени

достоверности

идентификации человека по изображению лица в системах разграничения

доступа.

Научная задача

Научная задача состоит в разработке научно-методического аппарата,

позволяющего идентифицировать человека с помощью изображения лица за

счет выделения и анализа значимых признаков.

Для достижения поставленной

цели в работе решаются следующие

частные задачи:

1. Провести анализ систем разграничения доступа, изучить существующие

подходы к идентификации пользователя, а также требования к процедуре

идентификации и выявить перспективные направления.

2. Предложить новый метод построения обучающей выборки, а также

предложить компактный способ хранения этих данных.

3. Изучить

возможность

использования

математического

аппарата

иммунокомпьютинга в целях идентификации человека по изображению

лица.

4. Предложить новый метод идентификации, обеспечивающий наиболее

высокие показатели качества.

5. Провести вычислительный эксперимент.

В соответствии с заявленными целями и задачами работы

объектом

исследования является идентификация человека по изображению лица, а

предметом

исследования — способ идентификации пользователя по

изображению лица.

Основные положения, выносимые на защиту

использовании

различных

методов

предобработки

видеоизображений в заданной последовательности.

исходных

2. Метод

идентификации,

позволяющий

обеспечить

большую,

по

сравнению

с

известными

методами,

степень

идентификации человека по изображению лица.

достоверности

3. Способ использования предлагаемого метода в системах разграничения

доступа на основе видеонаблюдения.

Научная новизна работы

Научную новизну диссертации составляют:

1. Оригинальная

методика

формирования

обучающей

выборки,

характеризующая человека по изображению лица и отличающаяся от

известных

методик

отсутствием

необходимости

дополнительной

настройки и оптимизации признакового пространства, а также наличием

простых математических операций снижающих временные затраты.

2. Обоснован новый метод идентификации человека по изображению лица,

отличающийся

наиболее

высокими

показателями

качества

идентификации за счет разложения матрицы признаков на три простых

преобразования для перехода в новое признаковое пространство, которое

не

идентифицируемо,

но

компоненты

являются

статистически

значимыми.

3. Предложены

рекомендации

(способ)

практической

реализации,

позволяющие

использовать

разработанный

метод

в

системах

видеонаблюдения, который в отличие от известных, позволяет получить

более высокие результаты по качеству идентификации в сочетании с

приведенными рекомендациями по настройки видеокамер и освещения.

Обоснованность и достоверность

Обоснованность и достоверность полученных результатов достигается

использованием апробированного математического аппарата; системным

анализом описания объекта исследований; использованием корректных

исходных данных; учетом сложившихся практик и опыта в области

информационной безопасности; проведением сравнительного анализа с

существующими методами, результатами практических экспериментов.

Подлинность

метода

идентификации

человека

в

системах

видеонаблюдения

на

основе

иммунокомпьютинга

подтверждается

непротиворечивостью полученных результатов моделирования современными

теоретическими положениями; практической апробацией в деятельности

5

На защиту выносятся следующие основные результаты:

1. Методика

формирования

и

обработки

обучающей

выборки

для

идентификации

человека

по

изображению

лица,

суть

которой

заключается в работе с набором неструктурированных данных и

6

научно-производственных организаций и одобрением на научно-технических

конференциях.

Практическая значимость работы

Практическая значимость работы состоит в следующих аспектах:

результаты исследований могут быть использованы для усовершенствования

систем видеонаблюдения путем идентификации всех лиц, попадающих в поле

зрения видеокамер, и сопоставления их с известными лицами в базе данных

системы безопасности, осуществляющей защиту охраняемого периметра.

Методологическая основа исследования

Методологическую основу исследования составляют работы в области

информационной теории идентификации: в частности, труды Я.З.Цыпкина;

работы в области цифровой обработки видеоизображений Лукьяница А.А. и

Шишкина

А.Г.,

работы

в

области

научно-методического

аппарата

иммунокомпьютинга А.О.Тараканова, Соколовой С.П., Соколовой Л.А, а также

работы в области информационной безопасности Малюка А.А. и Зегжды Д.П.

При решении частных задач использовались теоретические положения

теории информационной безопасности и методов защиты информации.

Использованы энциклопедическая и справочная литература, материалы

периодической печати, а также Интернет-ресурсы.

Реализация результатов

Полученные модели и методы реализованы в рамках работы над

системой видеонаблюдения для подвижного железнодорожного транспорта по

заказу ОАО «РЖД» в компании ООО «БалтикТраст».

Апробация работы

Основные

результаты

работы

представлялись

на

следующих

конференциях:

1. 3-й Всероссийский конгресс молодых учѐных, секция ―Технология

программирования и защиты информации‖, 8-11 апреля 2014 года, Санкт-

Петербург,

Санкт-Петербургский

национальный

исследовательский

университет информационных технологий, механики и оптики.

2. Актуальные вопросы организации и технологии защиты информации. 31

января 2014 года, Санкт-Петербург, Санкт-Петербургский национальный

исследовательский университет информационных технологий, механики

и оптики.

3. Конференция профессорско-преподавательского состава. 31 января 2013

года.

Санкт-Петербург,

Санкт-Петербургский

национальный

исследовательский университет информационных технологий, механики

и оптики.

4. Всероссийская научная конференция по проблемам информатики. 26

апреля 2013 года. Санкт-Петербург, Санкт-Петербургский национальный

7

исследовательский университет информационных технологий, механики

и оптики.

5. 2-ой Всероссийский конгресс молодых учѐных, секция ―Технология

программирования

и

защиты

информации‖,

9-12

апреля

2013

года,

Санкт-Петербург,

Санкт-Петербургский

национальный

исследовательский университет информационных технологий, механики

и оптики.

6. 2-ой Всероссийский конгресс молодых учѐных, секция ―Стратегии и

методы коммерческого применения технологий‖, 9-12 апреля 2013 года,

Санкт-Петербург,

Санкт-Петербургский

национальный

исследовательский университет информационных технологий, механики

и оптики.

7. ХLII

научная

и

учебно-методическая

конференция,

подсекция

―Актуальные вопросы организации и технологии защиты информации‖,

Санкт-Петербург,

Санкт-Петербургский

национальный

исследовательский университет информационных технологий, механики

и оптики, 22 января 2013 года.

Публикации

По результатам диссертационного исследования

опубликовано 5 работ,

из них статей в журналах, рекомендованных ВАК РФ –2.

Структура и объем работы

Диссертационная работа содержит введение, 3 раздела, заключение,

список литературы. Объем работы составляет 128 страниц.

8

СОДЕРЖАНИЕ

Во введении обоснована актуальность выбранной темы исследования;

определены цель, задача и вопросы исследования; раскрыты принципы

существующих подходов и методик; показана научная новизна и практическая

значимость диссертации, сформулированы положения, выносимые на защиту;

приведены сведения об апробации результатов исследования.

В первой главе проведен анализ современных методов идентификации

человека

на

основе

биометрических

параметров

человека,

выявлены

достоинства и недостатки данных методов. Особое внимание уделено методам

идентификации человека по изображению лица.

Исследованы известные методы, позволяющие выделять дескрипторы из

изображения лица, рассмотрена возможность их применения для решения

задачи идентификации человека.

В

рамках

работы

над

диссертацией

был

осуществлен

сбор

экспериментальных данных с помощью камер видеонаблюдения с целью

получения данных, максимально приближенным к реальным условиям.

Исследование проводилось в течении шести месяцев с использованием

тестового стенда, для которого была разработана программная составляющая,

анализирующая в режиме реального времени видеопоток, получаемый от

камеры видеонаблюдения. Всего за время эксперимента в поле зрения

тестового стенда попало несколько сотен человек. Таким образом, рабочая

выборка составила 200 человек.

При

помощи

тестового

стенда для

каждого

изображения

лица

исследованы следующие данные:

изображение в монохроматичном формате;

изображение с учетом корректировки контрастности;

значение пикселей в изображении лица;

геометрические параметры поверхности лица на изображении;

характерные черты изображения лица.

В соответствии с проанализированными условиями и ограничениями

применения известных методов, позволяющих идентифицировать человека по

изображению лица, сделано заключение о необходимости разработки научно-

методического аппарата, позволяющего идентифицировать человека по

изображению лица посредством анализа значений пикселей, получаемых в

процессе анализа видеоизображения.

Во второй главе приведен анализ искусственных иммунных систем,

методика формирования и обработки обучающей выборки для идентификации

человека

по

изображению

лица,

метод

идентификации

человека

по

изображению лица, сравнение метода с другими известными методами, а также

определены пределы применимости и ограничения эффективности метода.

Выжимка основных моментов из второй главы диссертационной работы

представлена ниже.

реального времени.

В общем виде

задача обнаружения лиц в видеопотоке выглядела

9

Выделение лиц в видеопотоке.

Предложенный

в

рамках

данной

диссертационной

работы

метод

идентификации человека по изображению лица использует для детектирования

лиц в видеопотоке метод, разработанный Полом Виолой и Майклом Джонсом в

2001 году. Данный метод по-прежнему остается актуальным и в наши дни,

являясь основополагающим для поиска лиц на изображениях в режиме

следующим образом. Изображение, поступаемое с камеры видеонаблюдения,

представлялось двумерной матрицей пикселей размерностью

. Каждый

пиксель данной матрицы имеел значение от 0 до 255, поскольку изображение,

поступаемое с камеры видеонаблюдения, являлось черно-белым.

На следующем шаге применялся подход на основе сканирующего окна

для поиска лица на изображении. Поиск осуществляется в активной области

изображения прямоугольными признаками, с помощью которых описывается

найденное лицо:

где

- координаты центра -го прямоугольника,

- ширина и высота

прямоугольника, а

- угол наклона прямоугольника к вертикальной оси

изображения.

Предобработка изображений.

На качество видеоизображения всегда влияет большое количество самых

разнообразных факторов. Из этого был сделан вывод, что все данные,

используемые в процессе идентификации человека по изображению лица,

должны быть приведены к общему виду. Стоит отметить, что приведение

изображений к общему виду может выполняться с применением разных

методов предварительной обработки изображений. В рамках данной работы

предварительная обработка сводилась к преобразованию видеоизображений в

монохроматичный формат и корректировке контрастности.

Для перевода цветного изображения в монохроматическое были взяты

значения красного, зеленого и синего компонентов пикселя, а затем по формуле:

произведены вычисления новых значений для каждого пикселя.

На следующем шаге была произведена корректировка контрастности

изображений. Под контрастностью изображения понималось отношение

яркостей самой светлой и самой темной частей изображения. У более светлого

изображения значения пикселей сконцентрированы ближе к концу диапазона

градаций серого, у более темного – ближе к началу. Для улучшения качества

идентификации

физического

лица

необходимо

входное

изображение,

содержащее максимально широкий спектр значений из диапазона градаций

серого. Таким образом, для получения необходимого результата был применен

метод корректировки контрастности изображения, известный как «эквализация

гистограммы».

общей матрице рассчитывалось среднее

Далее для каждой строки в

значение по формуле:

где,

– элемент -й строки и -го столбца матрицы

.

После выполнения этих операции полученные значения записывались в

виде вектора средних значений:

Вектор средних значений

представлялся в виде матрицы, для

получения на выходе усредненного изображения.

где

Затем вектор средних значений

вычитался из каждого изображения в

обучающей выборке, представленного в виде вектора:

Далее по вектору разницы считалась

матрица изображения.

Затем, для построения обучающей выборки полученное изображение

10

Построение обучающей выборки.

Для построения обучающей выборки изображение каждого лица,

принадлежащее одному классу, представлялось в виде вектора:

где =

, где

– количество изображений данного класса. Каждый элемент в

таком векторе являлся значением пикселя исходного изображения –

, где

– размерность вектора, – ширина рисунка в пикселях,

высота рисунка в пикселях.

Полученные вектора записывались в виде одного большого вектора:

На следующем шаге вектора для каждого класса изображений в

обучающей выборке представлялись в виде общей матрицы, где вектор каждого

класса записывался в виде колонки в общей матрице:

лица представлялись в виде матрицы

вещественные числа. Из формулы:

размерностью

, элементы которой

следует, что любая матрица такого типа может быть представлена с помощью

сингулярного разложения.

В результате разложения были получены три матрицы. Первые столбцы

матрицы

и

содержащие левые и правые сингулярные векторы, которые

записывались в качестве обучающей выборки, четко характеризующей

изображение лица.

, в которой каждый элемент считается по

считается усредненная матрица

следующей формуле:

где

– элемент -й строки -го столбца матрицы -го изображения.

Далее для каждого изображения в выбранном классе рассчитывалась

энергия связи с матрицей

по формуле:

где

– левый и правый собственные вектора для наибольшего собственного

числа SVD разложения матрицы

. Из полученных значений выбиралось

максимальное значение энергии связи, которое дополнялось константой:

Результирующее значение записывалось в качестве порогового значения,

используемого в процессе идентификации человека по изображению лица.

Идентификация человека по изображению лица.

В процессе идентификации с камеры видеонаблюдения поступало

изображение лица неизвестного человека, которое представлялось в виде

матрицы

и проходило все процедуры предобработки. Далее вычислялась

энергии связи между входным изображением лица и элементами в обучающей

выборке по формуле:

где

. Все изображения, всех классов.

Процесс идентификации физического лица определялся минимальным

значением энергии связи по формуле:

где

- вектор всех значений энергий связи с изображениями.

На основе полученного значения энергии связи делалось предположение

о принадлежности входного изображения лица человека к одному из ранее

известных лиц, записанных в обучающую выборку.

Затем энергия связи сравнивалась с пороговым значением класса, к

которому предположительно относилось входное изображение. Если энергия

связи превышало пороговое значение, то это свидетельствовало о том, что

входное изображение не относится ни к одному из представленных лиц в

обучающей выборке.

где

– функция поиска индекса класса изображения с минимальной

энергией,

– пороговое значение для класса.

11

На финальной стадии для каждого класса вычислялось пороговое

значение, которое позволяло определить объекты, не относящиеся ни к одному

из имеющихся в обучающей выборке классов изображений.

Пусть есть матрицы пикселей для множества изображений данного

класса

размерности

, где

– количество классов. Тогда для них

12

Если энергия связи была меньше или равна пороговому значению, то это

свидетельствовало о том, что процесс идентификации выполнен успешно.

Таким образом, во втором разделе диссертации на основании анализа

методовов обработки изображений и искусственных иммунных систем, а также

анализа полученных данных и сравнения возможных методов получены

следующие результаты:

1. Разработана методика формирования и обработки обучающей выборки

для идентификации человека по изображению лица, суть которой

заключается в работе с набором неструктурированных данных и

использовании

различных

методов

предобработки

исходных

видеоизображений в заданной последовательности.

2. Разработан и обоснован метод идентификации, позволяющий обеспечить

большую, по сравнению с известными методами, степень достоверности

идентификации человека по изображению лица. Полученные результаты

подтверждены экспериментально.

3. Способ использования предлагаемого метода в системах разграничения

доступа

на

основе

видеонаблюдения.

Полученные

результаты

подтверждены экспериментально. Для достоверности идентификации

пользователя по изображению лица был использован метод сравнения с

эталоной базой, имеющей самые высокие показатели качества

В третьей главе для проверки полученных результатов были проведены

вычислительные эксперименты.

Для проверки на практике предлагаемого в данной работе метода по

идентификации человека по изображению лица было проведено несколько

практических

экспериментов,

в

рамках

которых

предлагаемый

метод

сравнивался

с

другими

наиболее

известными

методами

в

области

идентификации человека по изображению лица: методом Eigenfaces и методом

на основе фильтров Гарбора. Также проведено исследование специфических

свойств метода как такового.

В качестве исходных данных были использованы выборки со 130

изображениями лиц, полученные в контролируемых и неконтролируемых

условиях. Изображения созданные в контролируемых условиях имели

одинаковые параметры фотосъемки, такие как освещение, экспозиция,

выдержка, положение диафрагмы, глубина резкости и фокусное расстояние

объектива. Изображения созданные в неконтролируемых условиях имели

разные параметры фотосъемки, различное положение лица, а также разное

эмоциональное выражения лица человека.

Исходные данные совпадали для

всех рассматриваемых методов.

Цель экспериментов заключалась в исследовании эффективности работы

предложенного метода, а также в определении качественных характеристик, по

которым предложенный метод превосходит существующие аналоги.

предложенного метода увеличивается линейно

классов, находящихся в обучающей выборке.

при увеличении количества

Рис. 1. График зависимости скорости обучения от размера выборки; mean(t) –

среднее значение величины, std(t) – среднеквадратическое отклонение.

Training set length – размер обучающей выборки.

Проводилось 40 испытаний для 130 экспериментов, для каждого из

которых выборка обучения, начиная с одного элемента, увеличивалась с

каждым экспериментом на одно изображение. В каждом эксперименте

проводилось обучение по всем изображениям, принадлежащим выборке (от 1

до 130 элементов) и измерялось время обучения. Значения усреднялись по

всем повторам и находилось СКО, чтобы учесть возможные флуктуации

скорости обучения.

Стоит отметить, что полученные значения являются обычными и

характерными для аналогичных методов, используемых для идентификации

человека по изображению лица.

13

Дополнительно стоит отметить, что все эксперименты проводились в

системе Matlab 2013x64 на процессоре Intel(R) Core(TM) 2 Duo E7200 2.53 GHz

и при использовании 4 GB оперативной памяти.

Анализ скорости работы предложенного метода.

Ниже

приводятся

результаты

эксперимента,

которые

показывают

зависимость скорости обучения и идентификации от размера обучающей

выборки, которые получаются при использовании предложенного в данной

работе метода идентификации человека по изображению лица.

На рисунке 1 показано, что скорость обучения системы на основе

14

Рис. 2. График зависимости скорости идентификации одного изображения от

размера выборки; mean(t) – среднее значение величины, std(t) –

среднеквадратическое отклонение.

Training set length – размер обучающей выборки.

На рисунке 2 показана зависимость скорости идентификации одного

тестового изображения при увеличении библиотеки изображений классов от 1

до 130 изображений. Из имеющегося рисунка следует, что скорость

идентификации одного изображения увеличивается линейно с увеличением

количества элементов, находящихся в обучающей выборке.

Проводилось 130 испытаний для 130 экспериментов, для каждого из

экспериментов выборка обучения, начиная с одного элемента, увеличивалась с

каждым экспериментом на одно изображение. В каждом эксперименте

проводилось обучение по всем изображениям, принадлежащим выборке (от 1

до 130 элементов), далее для каждого обучения производилось распознование

фиксированного изображения (изображение изменялось на каждом следующем

повторе). Измерялось время распознования каждого из 130 изображений.

Значения времен распознований усреднялись по всем повторам и находилось

СКО.

В рамках всех

экспериментов по измерению скорости распознавания

результат идентификации значения не имел.

15

Рис. 3. График зависимости скорости идентификации разного количества

изображения от размера выборки; mean(t) – среднее значение величины, std(t) –

среднеквадратическое отклонение.

Training set length – размер обучающей выборки.

На рисунке 3 показана зависимость скорости идентификации разного

количества изображений (от 1 до 130) для библиотеки изображений классов в

130 изображений (11 классов). Из представленного на рисунке графика видно,

что скорость идентификации увеличивается линейно с увеличением количества

элементов, находящихся в обучающей выборке.

Проводилось 40 испытаний для 130 экспериментов, для каждого из

экспериментов выборка обучения составляла все 130 изображений. В каждом

эксперименте

производилось

распознование

фиксированного

количества

изображений (от 1 до 130) и измерялось время распознования. Значения времен

распознований усреднялись по всем повторам и находилось СКО.

На рисунке 4 показана зависимость скорости идентификации

при

одновременном увеличении размера выборки тестовых изображений и

библиотеки изображений классов.

Проводилось

40

испытаний

для

130

экспериментов,

в

каждом

следуюущем эксперименте выборка обучения увеличивалась, начиная с одного

изображения до 130, на одно изображение. А так же в каждом эксперименте

увеличивалось на единицу количество распозноваемых изображений. В каждом

эксперименте

производилось

распознование

фиксированного

количества

изображений (от 1 до 130) и измерялось время распознования.

Значения

времен распознований усреднялись по всем повторам и находилось СКО.

16

Рис. 4. График зависимости скорости идентификации при увеличении размера

тестовых изображений и обучающей выборки; mean(t) – среднее значение

величины, std(t) – среднеквадратическое отклонение.

Training set length – размер обучающей выборки.

В результате проведенных экспериментов также были получены

сравнительные данные скорости обучения и идентификации человека по

одному изображению лица для двух методов: для метода, предложенного в

рамках данной работы, и метода Eigenface, который обычно используется в

задачах идентификации человека по изображению лица.

Для измерения скорости обучения, для обоих методов проводилось 100

экспериментов. В каждом эксперименте для одной обучающей выборки в 130

изображений измерялось время обучения. Значения времен распознований

усреднялись по всем повторам и находилось СКО.

Для измерения скорости распознования, для обоих методов проводилось 100

экспериментов. В каждом эксперименте для одной обучающей выборки в 130

изображений измерялось время распознования одного и того же изображения.

Значения времен распознований усреднялись по всем повторам и находилось

СКО. Данные представлены в таблице 1.

Из полученных данных следует, что предложенный в рамках данной

работы метод идентификации человека по изображению лица уступает методу

Eigenfaces по скорости обучения и идентификации, но в рамках допустимой

статической погрешности.

Eigenfaces

2.7e-5

Предложенный метод

8.4e-5

0.0034

±

0.0021 ± 5.2e-5

0.0054

±

0.0028 ± 3.9e-5

Из представленных выше экспериментов следует вывод, что скорость

обучения и идентификации с помощью предложенного метода незначительно

превышает

скорость

обучения

и

идентификации

с

использованием

существующих методов, таких как метод на основе фильтров Габора и метод

Eigenfaces.

Анализ качества идентификации предложенным методом.

Предлагаемый метод сравнивался с методом на основе фильтров Габора и

методом EigenFaces, которые обычно используются в задачах распознавания

человека по изображению лица.

Для 11 классов изображений рассматривалась выборка 11 случайных

изображений, принадлежащих классам. В каждом эксперименте выборка

распозноваемых изображений менялась случайным образом. Рассчитывалось

количество ошибок распознавания в 40 экспериментах для каждого из трех

методов.

Результаты представлены в таблице 2 в виде среднего значения с

индивидуальным для каждого метода стандартным отклонением.

Таблица. 2. Время идентификации и вероятность ошибки.

Среднее время

Средняя вероятность ошибки

идентификации человека по

идентификации человека по

изображению лица, с

изображению лица,

учетом подгрузки из ФС*,

принадлежащего классу, %

мс.

EigenFaces

4.75 ±0.75

5.4 ± 4.9

Gabor Filter

3.75 ± 0.6

20 ± 8.8

Предложенный

4.5 ±0.045

4.8 ± 5.3

метод

*ФС - файловая система

17

Таблица. 1. Скорости обучения и распознавания одного изображения с

помощью предложенного метода и метода Eigenfaces.

Скорость обучения Скорость идентификации

18

Также был проведен второй вычислительный эксперимент. Для 11

классов изображений распознавались две выборки, содержащие по разных 100

изображений одного класса. Для обеих выборок это были разные классы. Для 3-

х

методов

рассматривалось

количество

ошибочных

распознаваний

изображений:

Таблица. 3. Количество ошибок распознавания.

Количество

ошибок Количество

ошибок

распознавания

для

первой распознавания

для

второй

выборки

выборки

EigenFaces

Gabor Filter

Предлагаемый

метод

0

4

79

41

9

4

На рисунке 5 приводится ROC-кривая (receiver operating characteristic,

рабочая характеристика приѐмника), которая позволяет оценить качество

бинарной классификации. На графике показана зависимость TPR (True Positive

Rate) от FPR (False Positive Rate) при варьировании порогового значения. В

точках (0,0) порог минимален, точно также минимальны TPR и FPR.

Рис. 5. ROC при варьировании порогового значения MSE.

TPR = TP/(TP+FN); FPR = FP/(FP+TN)

случайных

проводилось

40

экспериментов

на

распознование

изображений. TPR и FPR усреднялись по всем экспериментам.

Следует отметить, что в эксперименте использованы два разных

пороговых значения:

пороговое расстояние для вхождения в класс

MSE

И только MSE используется как параметр для постройки ROC.

В таблице 4 приведены значения качества идентификации человека по

изображению лица с использованием предложенного в рамках данной работы

метода и метода EigenFaces при параметрах MSE по умолчанию. Полученный

результат показывает, что предложенный метод превосходит метод EigenFaces

по качеству идентификации.

Таблица. 4. Количество ошибок распознавания.

Метод

TPR

FPR

и соотношение обучения и

теста

90%

0.90 ± 0.30

0.010 ± 0.04

80%

0.95 ± 0.16

0.003 ± 0.01

60%

0.94 ± 0.14

0.005 ± 0.01

90%

0.88 ± 0.32

0.010 ± 0.04

80%

0.91 ± 0.24

0.010 ± 0.02

60%

0.68 ± 0.41

0.030 ± 0.06

90%

0.86 ± 0.25

0.010 ± 0.02

80%

0.88 ± 0.24

0.010 ± 0.02

60%

0.82 ± 0.27

0.020 ± 0.03

Предлагаемый

метод

Предлагаемый

метод с учетом

модификации

EigenFaces

19

В данных экспериментах идентификация проводилась на основе

порогового значения вхождения в класс для каждого класса изображений, а не

на основе нахождения минимального расстояния до изображения в библиотеке.

В качестве влияющего на распознавание параметра использовался порог MSE

(Mean Square Error, средний квадрат ошибки) с разбросом от 0 до 1500

(матрицы изображений представлялись в формате 80x80, double [0;1]).

Разброс от 0 до 1500 был разбит на 10 отрезков, для каждого из которых

Из

представленных

экспериментов следует

вывод,

что

качество

идентификации с помощью предложенного метода позволяет в среднем на 8%

20

повысить вероятность правильной идентификации человека по изображению

лица, при сравнении с существующими методами.

Анализ влияния шума на результат идентификации.

В рамках данной работы был выполнен вычислительный эксперимент,

целью

которого

являлось

выявление

влияния

шума

на

результат

идентификации

человека

по

изображению

лица

при

использовании

предложенного метода.

В рамках произведенных экспериментов к матрице распознаваемого

изображения прибавлялся смещенный белый шум

, где

- белый шум в промежутке [-0.5, 0.5],

- коэффициент мощности

шума.

Рассматривались разные

соотношения NSR =

, где

- среднее значение матрицы изображения. Было проведено 100

экспериментов в которых оценивался TPR и FPR для увеличивающихся

значений NSR. На рисунке 6 показана зависимость качества идентификации от

уровня шума.

Рис. 6. График зависимости TPR и FPR при разном уровне шума.

Rates - процент правильного распознования.

NSR - отношение среднего шума к среднему сигналу = Pnoize/Psignal.

Стоит отметить, что эта модификация устойчива к белому шуму без

смещения и может получать хорошие TPR даже при значениях NSR, близких к

20. Поэтому рассматривать несмещенный белый шум особого смысла нет.

Из

представленного

на

рисунке

графика

видно,

что

качество

идентификации человека по изображению лица резко падает при соотношении

NSR =7.

Также в рамках дополнительных экспериментов было рассмотрено

влияние уровня шума для случаев, когда в рамках процедуры идентификации

21

используется сравнение не с усредненным изображением, а со всеми

изображениями, находящимися в обучающей библиотеке классов. Так же было

проведено 100 экспериментов в которых оценивался TPR и FPR для

увеличивающихся значений NSR.

Из рисунка 7 видно, что влияние уровня шума имеет большее значение,

если в рамках предложенного метода не используется сравнение со средним

изображением класса.

Рис. 7. График зависимости TPR и FPR при разном уровне шума при сравнении

со всеми изображениями в библиотеке классов.

Rates - процент правильного распознования.

NSR - отношение среднего шума к среднему сигналу = Pnoize/Psignal.

Таким

образом,

в

третьей

главе

диссертации

были

проведены

вычислительные

эксперименты

для

проверки

работоспособности

предложенного метода. В рамках этих экспериментов рассматривалась

скорость и качество идентификации, а также влияние шума на идентификацию.

По результатам экспериментов был сделан вывод о том, что предложенный

метод работает и может быть применен в системах видеонаблюдения для целей

идентификации человека.

Предложенный в диссертации метод показал более высокое качество

идентификации по изображению лица. Предложенный в рамках данной работы

метод позволяет на 8% повысить вероятность правильной идентификации

человека по изображению лица, при сравнении с существующими методами.

В заключении сформулированы полученные результаты.

практическому

внедрению

видеонаблюдения.

предложенного

метода

в

рамках

системы

22

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1.

Применение приведенных методов позволяет позволяет в среднем на 8%

повысить вероятность правильной идентификации человека по изображению

лица, при сравнении с существующими методами.

2.

Предложены методы предобработки исходных видеоизображений при

работе с обучающей выборкой и в процессе идентификации человека.

3.

Разработан

и

опробован

метод

идентификации

человека

по

изображению лица.

4.

Разработано и внедрено в автоматизированные системы программное

обеспечение идентификации человека по изображению лица.

5.

Приведен сравнительный анализ предложенного метода с рядом

наиболее похожих методов.

6.

Проведен обзор существующих методов идентификации человека,

отмечены ограничения этих методов, а также трудности, связанные с

использованием этих методов.

7.

Сформулированы полученные результаты и приведены основные

направления, где они могут быть использованы. Также даны рекомендации по

СПИСОК ПУБЛИКАЦИЙ

Статьи, изданные в научных журналах, рекомендованных ВАК:

1. Соломатин

А.Ю.,

Люберт

А.С.,

Зикратов

И.С.

Идентификация

движущегося

человека

в

системах

видеонаблюдения

//

Научно-

технический вестник информационных технологий, механики и оптики. –

2014. – № 4 (92). – С.124-131. 0,5 п.л. /0,167 п.л.

2. Соломатин А.Ю., Зикратов И.А. Метод идентификации человека по

изображению лица в системах видеонаблюдения на основе научно-

методического аппарата иммунокомпьютинга. // Информация и Космос.

– 2015. – № 2. – С.47-51. 0,312 п.л. /0,156 п.л.

Статьи, изданные в других научных журналах и изданиях:

1. Соломатин А.Ю., Анализ применения иммунокомпьютинга для задач

идентификациифизических лиц в системах видеонаблюдения, сборник

трудов

3-й

межвузовской

научно-практической

конференции

"Актуальные проблемы организации и технологии защиты информации".

СПб: СПб НИУ ИТМО 2014 г. 0,031 п.л.

2. Соломатин

А.Ю.,

Метод

идентификации

объектов

в

системах

видеонаблюдения

на

основе

математического

аппарата

иммунокомпьютинга, сборник трудов 2го Всероссийского конгресса

молодых учѐных. СПб: СПб НИУ ИТМО 2013 г. 0,031 п.л.

3. Соломатин

А.Ю.

Метод

идентификации

объектов

в

системах

23

видеонаблюдения

на

основе

математического

аппарата

иммунокомпьютинга

//

XLII

научная

и

учебно-методическая

конференция НИУ ИТМО. СПб: СПб НИУ ИТМО 2013 г. 0,031 п.л.

4. Соломатин

А.Ю.,

Метод

идентификации

объектов

в

системах

видеонаблюдения

на

основе

математического

аппарата

иммунокомпьютинга,

сборник

трудов

2ой

межвузовской

научно-

практической конференции "Актуальные проблемы организации и

технологии защиты информации". СПб: СПб НИУ ИТМО 2012 г. 0,031

п.л.



Похожие работы:

«Маслова Марина Валентиновна ФИЗИКО-ХИМИЧЕСКОЕ ОБОСНОВАНИЕ И РАЗРАБОТКА ТЕХНОЛОГИИ ТИТАНСОДЕРЖАЩИХ СОРБЕНТОВ ИЗ СФЕНОВОГО КОНЦЕНТРАТА Специальность 05.17.01 Технология неорганических веществ Автореферат диссертации на соискание ученой степени доктора технических наук Апатиты 2015 Научный консультант: Официальные оппоненты: Ведущая организация: Герасимова Лидия Георгиевна, доктор технических наук, ИХТРЭМС КНЦ РАН, зав. сектором Блохин Александр Андреевич, доктор технических...»

«Енютина Екатерина Дмитриевна ОСОБЕННОСТИ ХУДОЖЕСТВЕННОГО ПОДХОДА К ФОРМИРОВАНИЮ СОВРЕМЕННОЙ ГОРОДСКОЙ СРЕДЫ 05.23.20 – Теория и история архитектуры, реставрация и реконструкция историко-архитектурного наследия АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата архитектуры Нижний Новгород – 2015 РАБОТА ВЫПОЛНЕНА В ФГБОУ ВПО САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АРХИТЕКТУРНО-СТРОИТЕЛЬНЫЙ УНИВЕРСИТЕТ Научный руководитель Лекарева Нина Афанасьевна кандидат архитектуры, профессор...»

«Хаинг Мин Повышение надежности малоподвижных соединений деталей авиационных двигателей, подверженных в эксплуатации влиянию фреттинг-коррозии Специальность 05.07.05 Тепловые, электроракетные двигатели и энергоустановки летательных аппаратов АВТОРЕФЕРАТ диссертации на соискание учѐной степени кандидата технических наук Москва 2015 доктор технических наук, профессор Петухов Анатолий Николаевич Научный руководитель: Официальные оппоненты: Скотникова Маргарита Александровна...»





 
© 2015 www.x-pdf.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.