автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Биометрический поиск информации в базе данных изображений, основанный на стохастической геометрии

На правах рукописи □03456629

РОЙ Алексей Владимирович

БИОМЕТРИЧЕСКИЙ ПОИСК ИНФОРМАЦИИ В БАЗЕ ДАННЫХ ИЗОБРАЖЕНИЙ, ОСНОВАННЫЙ НА СТОХАСТИЧЕСКОЙ ГЕОМЕТРИИ

Специальность 05.13.17 - Теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

ПЕНЗА 2008

О 5 ДЕК 2008

003456629

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Пензенский государственный университет».

Научный руководитель - доктор технических наук, профессор

Федотов Николай Гаврилович.

Официальные оппоненты: доктор технических наук, профессор

Лебедев Виктор Борисович;

кандидат технических наук, доцент Бикташев Равиль Айнулович.

Ведущая организация - ОАО «НПО "Рубин"», г. Пенза.

Защита диссертации состоится «УУ » декабря 2008 года, в часов, на заседании диссертационного совета Д 212.186.01 в государственном образовательном учреждении высшего профессионального образования «Пензенский государственный университет» по адресу: 440026, г. Пенза, ул. Красная, 40.

С диссертацией можно ознакомиться в библиотеке государственного образовательного учреждения высшего профессионального образования «Пензенский государственный университет». Автореферат размещён на сайте www.pnzgu.ru

Автореферат разослан « /У » ноября 2008 года.

Ученый секретарь диссертационного совета доктор технических наук, профессор " - Гурин Е. И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В настоящее время на передний план теоретической информатики выдвигается проблема поиска информации по изображениям. Наряду с общетеоретическим значением она исключительно важна для приложений в таких областях, как геология, аэрокосмические исследования, медицина, криминалистика.

Актуальность данной темы усилилась в связи с настоятельной необходимостью осуществлять биометрический поиск в больших базах данных изображений. Решение этой актуальной задачи имеет большое социальное значение в связи с растущим в мире криминалом и терроризмом.

Для задач сравнения лиц, их поиска и в общем портретной идентификации характерна значительная вариабельность биометрических параметров, обусловленная различием форм, уровнем яркости, наличием фоновых шумов изображений на фотоснимках. В этих условиях придать большую устойчивость и надежность автоматического поиска изображений лиц позволяет опора на большое количество признаков распознавания. Применение теории распознавания образов, основанной на стохастической геометрии, позволяет осуществить формирование большого количества признаков распознавания. Экстракция необходимых признаков распознавания с учетом анатомии портретного изображения даёт возможность достаточно надежно решать эту актуальную задачу.

Цель диссертационной работы - разработка методов поиска биометрической информации в базе данных на основе признаков, базирующихся на стохастической геометрии; построение программной системы для реализации процедуры поиска портретных изображений.

Поставленная цель достигается решением следующих задач:

- реализация процедур предварительной обработки цветных фотографических изображений для приведения к бинарному виду;

- реализация процедуры сегментации бинарного изображения человеческого лица с целью выделения наиболее информативных областей;

- построение /иремс-преобразований биометрических изображений как источника формирования поисковых признаков нового

класса со структурой в виде композиции трех функционалов - три-плетных признаков;

- выбор функционалов, обеспечивающих получение триплет-ных признаков распознавания портретных изображений;

- определение решающего правила поиска биометрической информации;

. - разработка алгоритма поиска изображений по фотороботу;

- разработка программной системы для поиска изображений по фотороботу;

- экспериментальная проверка эффективности алгоритма поиска изображений по фотороботу.

Объектом исследования является биометрический поиск изображений человеческих лиц по фотороботу.

Предмет исследования составляют математические методы распознавания человеческих лиц и их программная реализация.

Методы исследования. При решении поставленных задач применены теория распознавания образов, теория признаков распознавания образов, базирующаяся на стохастической геометрии и функциональном анализе, методы теории вероятности, математической статистики, цифровой обработки изображений.

Проверка эффективности предложений, исследованных в диссертации, проводилась на разработанных математических моделях и по результатам работы программной системы, осуществляющей поиск реальной биометрической информации.

Научная новизна работы:

1. Впервые предложено для построения системы биометрического поиска использовать математический аппарат стохастической геометрии, дающий возможность достигнуть высокую эффективность информационного поиска.

2. Впервые предложены новые конструктивные поисковые признаки, имеющие структуру в виде композиции трёх функционалов (триплетные признаки). Благодаря такой структуре возможно получение большого количества поисковых признаков, что позволяет получить высокую гибкость и интеллектуальность поисковой системы, а также упростить решающие правила.

3. Предложено определение триплетных признаков по областям изображения, соответствующим элементам человеческого лица, что позволило повысить надёжность биометрического поиска.

4. Разработан алгоритм биометрического поиска на основе стохастической геометрии, позволяющий достичь поставленной в работе цели.

5. Разработана программная система интеллектуального биометрического поиска фотоизображений по фотороботу, что позволило автоматизировать этот процесс.

Практическая ценность. Предложенные в диссертации методы и программная система позволяют автоматизировать процесс поиска таких биометрических объектов, как человеческие лица, по составленному субъективному портрету (фотороботу). Разработанный алгоритм, базирующийся на методах стохастической геометрии, даёт возможность осуществить поиск изображений лиц по фотороботу с опорой на большое количество признаков, что повышает гибкость и надежность поиска. Диссертационная работа осуществлялась по трём программам РФФИ и Минобразования.

Реализация и внедрение результатов. Результаты исследований используются при работе Второго полка милиции УВО при ГУВД по г. Москве.

На защиту выносятся:

1. Обоснование целесообразности построения системы биометрического поиска как обучающейся системы (класса «обучения с учителем»).

2. Обоснование целесообразности использования математического аппарата стохастической геометрии для решения задачи биометрического поиска.

3. Новые конструктивные поисковые признаки, имеющие структуру в виде композиции трех функционалов (триплетные признаки).

4. Повышение надежности биометрического поиска с помощью определения триплетных признаков по областям, соответствующим элементам человеческого лица.

5. Реализация алгоритма биометрического поиска на основе стохастической геометрии.

6. Реализация программной системы интеллектуального биометрического поиска фотоизображений по фотороботу.

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих научных конференциях: 2-й Международной конференции молодых ученых и студентов «Актуальные проблемы современной науки» (г. Самара, 2001); 6-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» РОАИ-6-2002 (г. Великий Новгород, 2002); Международной научно-технической конференции «Математические методы в экономике» (г. Пенза, 2002); Международной конференции по мягким вычислениям и измерениям SCM' 2002 (г. Санкт-Петербург, 2002); Международной научной конференции «Интеллектуализация обработки информации» ИОИ-2004 (Крым, г. Алушта, 2004).

По итогам работы на 2-й Международной конференции молодых ученых и студентов «Актуальные проблемы современной науки» в г. Самаре (2001) автор диссертации был награжден грамотой за лучшую работу.

Публикации. По теме диссертационной работы опубликовано 16 печатных работ, включая 7 статей, 9 тезисов докладов, из них 1 статья опубликована в журнале, аккредитованном ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 97 наименований. Общий объем диссертации 188 страниц машинописного текста; содержит 72 таблицы, 59 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной темы, сформулирована научная проблема, дана общая постановка решаемых задач, приведено краткое содержание диссертационной работы.

В первой главе дан обзор методов распознавания человеческих лиц для решения задачи поиска изображений по фотороботу. Существуют научные школы, рассматривающие распознавание человеческих лиц в тесной связи с физиологией зрительного восприятия: научная школа НИИ нейрокибернетики имени А. Б. Когана Ростовского университета (Д. Шапошников, Ю. Головань, Е. Литовченко, В. Гуса-нова, К. Калинин, М. Петрушан, А. Самарин), научная школа Инсти-

тута автоматики РАН (О. Белоцерковский, А. Глазунов). В работах этих научных коллективов решается задача улучшения поиска и распознавания слабоконтрастного объекта, которым является человеческое лицо.

Согласно психофизической теории восприятия и распознавания при восприятии изображения человеческих лиц происходит независимое выявление отдельных частей портрета, т. е. выделение групп структурных элементов или организованных структур. При этом процесс носит многосвязный характер, структура управления им имеет обратные связи. Вышеуказанные физиологические процессы восприятия человеческих лиц дают возможность сделать в первой главе вывод о том, что построению системы поиска изображений по фотороботу в наибольшей степени соответствует модель распознающих систем с обучением (обучение с учителем). Кроме того, установлено, что перемещение глаза носит стохастический характер с фиксацией на области наибольшей информативности (глаза, нос, рот, овал лица, причем именно в такой последовательности). Рассматриваемый процесс зрительного восприятия, на наш взгляд, имеет аналогию с развиваемыми в диссертационной работе методами поиска биометрической информации на основе методов стохастической геометрии.

Также в работе рассмотрены известные методы получения признаков изображений. Обоснована целесообразность применения методов, базирующихся на стохастической геометрии. В работе проводится аналитический обзор методов распознавания образов; рассматриваются исторически одним из первых появившийся персептронный (Ф. Розен-блат) метод распознавания зрительной информации, позже получивший мощное развитие в нейронных сетях (А. Ивахненко, Т. Кохонен, С. Гроссберг); методы, основанные на анализе контуров (X. Фримен, Я. Фурман) и топологическом описании; интегральные методы, связанные со спектральными отсчетами и другие интегральные методы; структурный подход (К. Фу, Т. Павлидис, И. Мучник).

Многие из вышеупомянутых методов оказались непригодны для решения задачи поиска биометрической информации. Так, рассмотренные структурные методы не обеспечивают инвариантность к группе движений и линейных деформаций изображений. Искусственно придать им это свойство можно лишь ценой больших вычислительных затрат.

Многие интегральные методы свободны от этого недостатка. Однако большинство методов узко специализированы и используют незначительную часть информации об объектах. Например, метод моментов использует только функцию яркостной интенсивности точки, не включает в распознающие инварианты информацию об окрестностях точек. Метод дескрипторов Фурье пригоден лишь для распознавания контурных изображений.

Теория распознавания образов, основанная на стохастической геометрии, включающая теорию триплетных признаков и новое геометрическое /«рейс-преобразование изображений, позволяет избежать этих недостатков за счет большого числа новых конструктивных признаков распознавания. Поэтому для решения задачи биометрического поиска была выбрана эта теория.

Ключевым элементом теории распознавания, основанной на стохастической геометрии, является применение нового класса признаков с характерной структурой в виде последовательной композиции трех функционалов - триплетных признаков.

Формирование триплетных признаков начинается с реализации нового геометрического преобразования изображений, связанного со сканированием по сложным траекториям, - от/>ег/с-преобразованием (от английского слова trace - «след»). Изображение F на входной сетчатке распознающей системы сканируется решеткой параллельных прямых l(p, G) с расстоянием Ар между линиями (рис. 1). Параметры р и 0 являются нормальными координатами линии /.

Взаимное положение исследуемого изображения F и каждой сканирующей линии I характеризуют числом g, вычисляемым по некоторому правилу T:g=T(FC\f). В качестве указанной характеристики могут выступать число пересечений прямой с изображением, длина части прямой, лежащая внутри изображения, или свойства окрестности такого сечения и т. п. Отображение Т является функционалом (от/?егк-функционалом).

объекта решеткой параллельных прямых в одном из направлений

В рассмотрение принимают отображения, обладающие свойством полной инвариантности. Функционал Т обладает свойством полной инвариантности, если для всех прямых и всех изображений выполняется равенство Г(/Т1/) =Т(Р'Г\Г), где V - рассматриваемое изображение; I - прямая, пересекающая изображение /% Г'; /'- изображение и прямая, возникающие после сдвига или/и поворота изображения и прямой /.

Затем сканирование производится для нового значения угла, получившего дискретное приращение Л9, решеткой линий с тем же шагом Ар.

Результат вычислений Г-функционала зависит от двух параметров прямой р и 9, поэтому получаемое в результате сканирования множество чисел g = Т{РТ\1(р, 0)) является тре йс-трансф ор мантой. При численном анализе результат трейс-преобразования принято представлять в виде матрицы {трейс-матрицы), у которой ось <90 направлена горизонтально, а ось Ор - вертикально (рис. 2). Элемент трейс-матрицы, стоящий на пересечении г'-й строки и

Рис. 2. Грейс-матрица >Г0 столбца, g,J=T(FГ>l(p,Q)), т. е. каждый столбец матрицы содержит значения, вычисляемые по всем прямым при одинаковом значении угла 8. Если прямая / не пересекает изображение, то 7'(FП/) полагают равным заданному числу (например, нулю).

Согласно рассматриваемой теории, после заполнения трейс-матрицы продолжается формирование триплетного признака. С помощью диаметрального функционала Р обрабатываются столбцы /7у?емоматрицы. Результатом этой обработки является появление набора чисел, которые для удобства восприятия и последующего анализа представляют в виде периодической кривой (цирка), сдвиг которой пропорционален повороту исходного изображения (рис. 3). рис 3 цирк

После этого к полученному набору чисел применяют круговой функционал 0, что приводит к появлению некоторого числа - признака изображения Л(Р'). Таким образом, признак исследуемого изображения обладает структурой в виде композиции трех функционалов /7(^)= = ®оРоТ(ГГ\1(р,в)), где Т - выше-

описанный трег/с-фу11 кционал, связанный с естественной координатой сканирующей линии 1{р, 0); Р - диаметральный и © - круговой функционалы, связанные с нормальными координатами сканирующей линии, соответственно р и 0. Благодаря такой структуре признаков в рамках описанного подхода возможно получение большого числа новых конструктивных признаков распознавания, причем их формирование осуществляется в режиме автоматической компьютерной генерации.

Во второй главе описан алгоритм биометрического поиска, представлено применение методов стохастической геометрии для формирования поисковых признаков распознавания, имеющих характерную структуру в виде композиции трёх функционалов.

На основании анализа физиологических принципов восприятия и распознавания человеческих лиц можно прийти к следующему выводу: для построения системы биометрического поиска изображений человеческих лиц по эскизу или фотороботу наиболее приемлем тип системы «обучение с учителем». Этапы работы системы в данном случае следующие:

1. Обучение, целью которого является формирование признаков, их предварительный анализ, выдвижение гипотезы об их информативности и выбор решающего правила.

2. Поиск изображения лица по эскизу или фотороботу и идентификация.

Следует подчеркнуть, что данная архитектура отражает такие важные с точки зрения основ распознавания человеческих лиц этапы работы системы, как предварительная обработка и сегментация изображений на наиболее информативные области. Согласно описанному выше это область глаз, носа, губ, овал лица (именно в такой последовательности с убывающим весовым коэффициентом). Затем этап создания эффективного набора признаков для их описания на основе стохастической геометрии и функционального анализа. Данные этапы применяются как в режиме обучения, так и в режиме поиска.

Режим обучения. Путем генерации триплетных признаков каждого портретного изображения, хранящегося в базе данных, был построен набор поисковых триплетных признаков, число которых в данном случае достигает 1080. Эти признаки вычислялись в режиме обучения для 150 портретных изображений и для 15 образцов фото-

роботов, причем вычисления осуществлялись по всем перечисленным выше областям наибольшей информативности.

Результаты вычислений в режиме обучения показали, что значения некоторых триплетных признаков попадают в непересекающиеся или частично пересекающиеся множества значений признаков. Эти признаки обеспечивают наиболее важную информацию об изучаемых изображениях, их следует использовать при построении решающей функции. Остальные признаки считают малоинформативными, их влияние при принятии решения в системе снижается с помощью весовых коэффициентов.

Режим поиска. Процесс поиска в системе строится следующим образом: выбирают в первую очередь те портретные изображения, которые имеют наименьшее расстояние между двумя наборами поисковых признаков для фоторобота и анализируемого изображения. Эти расстояния характеризуют степень близости. Далее происходит упорядочение всех изображений по выбранному критерию близости.

Как уже упоминалось выше, в режиме обучения были выбраны весовые коэффициенты для каждого из поисковых признаков, чтобы снизить влияние малоинформативных поисковых признаков и усилить влияние высокоинформативных. Это позволяет повысить надежность поиска.

Кроме того, в системе предусмотрена возможность в автоматическом режиме определять компактность наборов точек поисковых признаков и их разнесённость в пространстве поисковых признаков, позволяющая системе самостоятельно оценивать информативность триплетных признаков.

Этапы преобразования информации для реализации биометрического поиска следующие.

Предварительная обработка изображений. Поскольку в процессе поиска приходится сравнивать черно-белое изображение фоторобота с изображением лиц из базы данных, необходима предварительная обработка изображений с целью приведения их к бинарному виду. Исходные цветные фотографические портреты переводятся в черно-белые специальной процедурой бинаризации, описанной в главе 3.

Сегментация. На этом этапе происходит выделение (разбиение изображения) наиболее информативных областей: глаза, нос, рот, овал лица и др. В данном случае применен разработанный автором метод, основанный на рекурсивной функции заливки заданным цве-

том произвольной замкнутой области изображения. Описание и результаты применения метода приведены в главе 3.

Вычисление триплетных признаков. Подробно этот процесс показан выше, в главе 1.

Функционалы, взятые из различных областей математики: теории вероятности, статистики, теории рядов, стохастической геометрии и т. д. - были выявлены автором в процессе анализа изображений. Часть списка функционалов, используемых в системе, представлена ниже. 1. Список Г-функционалов:

7] = |- суммарная длина всех отрезков, высекаемых изо-/п^

бражением на сканирующей линии.

Г3 = ^ /(¿к) ~ средняя геометрическая длин всех отрезков.

и=1

= п(р, 0) - число сегментов, получаемых при пересечении прямой и образа.

2. Список Р-функционалов:

2к

Р\ = сумма всех элементов р-го столбца трейс-жщ>т\ь\.

О

р

Ру =—4т-- среднее арифметическое всех элементов р-го столбца дА«)

/и/ш/с-матрицы.

2 к

Р5 = трх - наибольший элемент р-го столбца трейс-

матрицы.

3. Список ©-функционалов:

Р тах

©1 = ^а{р)с1р - площадь криволинейной трапеции, ограничен-0

ной функцией на отрезке [0; р™*]-

^ Ртах

&2 = —7—г ]а(р)Лр - среднее значение функции.

Р шах

©5 =тах | а{р)с1р - максимум функции.

На основании данных криминалистики типизированы анатомические черты человеческого лица. С их помощью в системе осуществлялась экстракция триплетных признаков.

Ниже приведен пример формирования триплетного признака, отражающий такую анатомическую особенность, как контур лица (рис. 4).

В третьей главе описана программная реализация алгоритма биометрического поиска на основе стохастической геометрии, включающего предварительную обработку информации, его сегментации, формирование геометрических треис-преобразований изображений и вычисление по ним триплетных признаков, решающие процедуры, а также осуществлена проверка работоспособности полученных в главе 2 функционалов, используемых для вычисления поисковых триплетных признаков в среде Ма1ИСАО. Система биометрического поиска была выполнена в виде автономных модулей. При написании основных модулей применялся объектно-ориентированный подход и использовалась библиотека визуальных компонент С++ ВшШег'а.

В четвертой главе приведено исследование решающего правила, согласно которому оценивается, как анализируемое изображение соотносится с фотороботом. Анализируются информативность признакового пространства, характер ошибок распознавания, характер реализации решения задач сравнения и поиска, а также исследуются результаты работы решающего правила на релевантность. Кроме того, полученные параметры разработанной системы поиска биометрической информации сравнивались с параметрами зарубежных аналогов распознающих систем.

Для оценки информативности пространства признаков используется подход, основу которого составляет гипотеза компактности, которая предполагает, что изображению одного класса (образа) соответствует в пространстве признаков некоторая область или домен.

Общая конфигурация лица

! Р Яр" V > -тдГ

у таг У

0

Тип лица

Округлый (а)

Овальный (б)

Треугольный (в)

Квадратный (г)

Прямоугольный

Ромбовидный (е)

ии

¡а(р)Ф

7803,015

9403,014

46984,41

31862,60

34457,23

41863,00

Рис. 4. Вычисление триплетных признаков для общей конфигурации лица

Из неё следует, что для хорошего распознавания образов желательно, чтобы расстояния между своими точками каждого образа были малыми, а расстояния до точек других образов по возможности большими. Компактность (плотность) IV, образа i, представленного в обучающей выборке /и,- точками 1, 2, ...,f,..., q, ..., mb характеризуется средней длиной ребер r(f, q) соединяющего их полного графа:

tn i

Ст,- /,? = 1

Аналогично, компактность Wj точек 1, 2, ..., s, ..., v, ..., rtij, представляющих образ j, имеет вид:

1 "lj wi=~pr Ъ^)-

Lmj f,q=\

Разнесенность образов в пространстве характеристик можно оценивать через среднее расстояние между всеми парами точек из разных образов

W(i,j) = —-—Tr(/,s), f = \,...,mhs =\,...,тf. lllj nij

На основании сказанного можно сделать вывод, что информативность пространства признаков тем больше, чем больше величина:

J= W(iJ) Wi+Wj '

В результате определения компактности точек каждого образа и разнесенности образов в пространстве характеристик согласно приведенному алгоритму было изменено наше решающее правило так, чтобы программа могла сама оценивать информативность триплет-ных признаков. Для предлагаемых количественных критериев, определяющих отличие изображения от фоторобота, введем в качестве весовых коэффициентов величину min{J] для каждой пары изображений в БД. Отбирая те значения полученных величин, которые превышают единицу, используемые при рассмотрении набора признаков, мы можем выбрать достаточно информативные из них.

Для всех изображений происходит структурный анализ биометрических элементов портретного изображения (расположение глаз,

носа, усов, определение контуров подбородка, овала лица) в автоматическом или полуавтоматическом режиме. Для каждого элемента сначала в отдельности производится процесс сканирования и вычисления вышеперечисленного набора триплетных признаков.

Процесс поиска в предложенной системе основан на следующем. Выбираются для рассмотрения в первую очередь те портретные изображения, которые имеют некоторую наименьшую количественную характеристику для определения степени близости к задаваемому субъективному портрету. Таким образом, можно говорить о некотором процессе упорядочения изображений по критерию близости к объекту поиска.

В предлагаемой диссертационной работе было рассмотрено 100 фотороботов для 1020 различных изображений. Каждое изображение из БД и фоторобот, участвующий в поиске, описываются набором триплетных признаков, которые перечислены в предыдущем параграфе. Обозначим множество образов b, ah..., a¡ ..., а№ где b - изображение фоторобота, N - количество изображений в БД (в нашем случае N = 1020), а весь набор переменных для описания множества объектов #i,..., IJj, ..., П„, где п - количество триплетных признаков (n = 1080). Получаем таблицу данных v = {IT, /} .

Задача упорядочения изображений состоит в том, чтобы на основе анализа таблицы v упорядочить множество {a¡} по степени близости к Ь. Для этой цели вводятся критерий и правило упорядочения объектов:

R = {ai>-ai+l), при Ri>Ri+i, где {R¡} - количественный критерий, позволяющий в процентном отношении определить, насколько велико различие между a¡ и Ъ по совокупности признаков:

пПа/-ПС0,- Пь:+Па/

J 77 _ J j

R. = 100 £ J ^ , где Яср J

У=! ^Ср ]

Далее происходит выработка этого оценочного критерия, по величине которого можно судить о вероятности похожести исходного изображения на эскиз (фоторобот). Ранжируя все изображения из БД в порядке возрастания этого параметра, получим список, на вершине которого будут самые похожие на фоторобот изображения.

Ниже предлагается таблица полученных результатов для разработанной программной системы поиска изображений по фотороботу (табл. 1).

Совокупность изображений в БД разбита на две группы по критериям качества, предъявляемым к фотоучетам. К I группе отнесены фотоучеты с хорошим качеством и высоким разрешением, ко II группе - с плохим качеством и низким разрешением.

Таблица 1

Результат применения решающего правила_

БД Количество составленных фотороботов, шт. Количество изображений в БД, шт. Когда изображение попадает

на первое место в первую десятку в первую сотню

I 15 150 11 (73 %) 14 (93 %) 15 (100%)

II 85 870 41 (48 %) 63 (74 %) 85 (100%)

Итого: 100 1020 52 76 100

Разработанная система поиска биометрической информации, кроме того, что является распознающей системой, может рассматриваться и как поисковая система. Причем в качестве искомых документов будут выступать изображения в базе данных, а в качестве поисковых запросов - фотороботы. Тогда можно оценивать эффективность системы поиска биометрической информации с помощью оценок, применяемых к документальным информационно-поисковым системам (ИПС):

коэффициент полноты выдачи Кг - —-—100%; коэффициент точа + с

ности информационного поиска Рг =—-—100%, где а - число вы-

а+Ь

данных изображений, соответствующих выбранному критерию релевантности; Ъ - число выданных изображений, не соответствующих выбранному критерию релевантности; с - число невыданных изображений, соответствующих выбранному критерию релевантности, на основе которых исследуется зависимость Я,(РГ)- Построим на основе этих коэффициентов зависимость полноты выдачи от точности информационного поиска (табл. 2, 3, рис. 5). Будем рассматривать три критерия релевантности по степени убывания строгости этого критерия, когда изображение, сопоставляемое фотороботу, попадает:

1) на первое место списка выданных изображений;

2) в первую десятку списка выданных изображений;

3) в первую сотню списка выданных изображений.

Таблица 2

Показатели оценки технической эффективности ИПС для БД!

Показатели Релевантность 1 Релевантность 2 Релевантность 3

а 11 14 15

Ь 135 135 135

с 4 1 0

Р„% 8,1481 10,037 11,111

73,333 93,333 100,000

Таблица 3

Показатели оценки технической эффективности ИПС для БДН_

Показатели Релевантность 1 Релевантность 2 Релевантность 3

а 41 63 85

Ь 785 785 785

с 44 22 0

Рг, % 4,9637 7,4292 9,7701

48,235 74,118 100,000

\ ; \ \ 'Ж I ! ! ;

: у' [" ( ' 1 ^

----------- / г _____ ___________ \ | ! 1 : 1 !

1 ! ..............1.......................^

о 5 10 15 20 25

Рг.%

Рис. 5. Зависимость полноты выдачи от точности поиска

В первом случае характер зависимости (наклон) получился практически одинаковым со вторым графиком; также приблизительно совпадают даже точки перегиба при Рг ~ 10 % и выше на ~ 20 %по оси Яг. Это позволяет сделать вывод о том, что точность поиска будет уменьшаться при увеличении БД изображениями более низкого качества приблизительно в 1,5-2 раза при её увеличении в несколько раз, а полнота выдачи уменьшится немного-на 1-2 %, что является очень хорошим результатом для ИПС.

Поскольку результаты выдачи системы поиска будут сравниваться не с ИПС, а с распознающими системами ввиду отсутствия прямых аналогов, представляется необходимым рассматривать коэффициент точности в качестве точности распознавания.

Чтобы сравнить полученные результаты с зарубежными аналогами, можно воспользоваться результатами исследований проекта Feret (face recognition technology) агентства DARPA и Исследовательской лаборатории армии США. В тестах проекта Feret (с числом изображений не менее 1196) эффективность всех рассматриваемых алгоритмов была примерно одинаковой. Для фронтальных изображений, сделанных в один и тот же день, приемлемая точность распознавания, как правило, составляет 95 %. Для изображений, сделанных разными аппаратами и при разном освещении, точность, как правило, падает до 80 %. Для изображений, сделанных с разницей в год, точность распознавания составляет примерно 50 %.

Таким образом, если учитывать, что фоторобот это не изображение одной и той же персоны, то показатели распознавания у разработанной системы лучше.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. На основе анализа физиологии восприятия и распознавания человеческих лиц предложено построить систему биометрического поиска как обучающуюся, по типу обучения с учителем. Это дает возможность достигнуть высокой адаптивности системы.

2. Впервые предложено для построения биометрического поиска использовать математический аппарат стохастической геометрии, что дает возможность достигнуть высоких показателей эффективности: гибкости, универсальности, надежности поиска, большего быстродействия.

3. Впервые предложены поисковые признаки, имеющие структуру в виде композиции трех функционалов (триплетные признаки). Благодаря такой структуре возможно получение большого количества поисковых признаков, что позволяет достичь высокой гибкости и интеллектуальной поисковой системы, а также упростить решающие правила.

4. При определенном выборе свойств функционалов, входящих в триплетный признак, можно добиться инвариантности поисковых признаков по отношению к группе движений и линейным искажениям изображений, что повышает надежность поиска фотоизображений.

5. Для повышения надежности биометрического поиска предложено определение триплетных признаков по областям изображений, соответствующим элементам человеческого лица. С этой целью разработана процедура сегментации.

6. Разработан алгоритм биометрического поиска на основе стохастической геометрии, включающий предварительную обработку информации, его сегментации, формирование геометрических «гремс-преобразований изображений и вычисление по ним триплетных признаков, решающие процедуры.

7. Разработана программная система интеллектуально биометрического поиска фотоизображений по фотороботу в неупорядоченных базах данных на 1020 фотоучетов. Осуществлена экспериментальная проверка, которая показала высокую эффективность поиска, причём точность идентификации составила 73 % для БД на 150 фотоучетов (I) и 48 % для БД на 870 фотоучетов (II), когда изображение, сопоставляемое фотороботу, попадает на первое место списка; соответственно 93 % (I) и 74 % (II), когда изображение, сопоставляемое фотороботу, попадает в первую десятку списка; 100 % для обеих БД, когда изображение, сопоставляемое фотороботу, попадает в первую сотню списка.

8. Анализ результатов работы системы поиска биометрической информации показал, что точность поиска будет уменьшаться при увеличении БД изображениями более низкого качества приблизительно в 1,5-2 раза при увеличении объёма БД в несколько раз. При этом полнота выдачи уменьшится немного - на 1-2 %, что является хорошим результатом для информационно-поисковых систем, для которых характеристика «точность поиска - полнота выдачи» является ценным интегральным критерием эффективности.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК России

1. Рой, А. В. Анализ биологических микрообъектов с помощью методов стохастической геометрии / Н. Г. Федотов, А. В. Рой // Измерительная техника. - № 4. - 2004. - С. 61-64.

Публикации в других изданиях

2. Рой, А. В. Анализ биометрической информации в интеллектуальной системе поиска портретных изображений по фотороботу/

А. В. Рой // Надежность и качество - 2008 : тр. Междунар. симп. -Пенза : Изд-во Пенз. гос. ун-та, 2008. - С. 297-298.

3. Рой, А. В. Применение триплетных признаков распознавания для решения задачи биометрического поиска портретных изображений по фотороботу / А. В. Рой, Н. Г. Федотов //Надежность и качест-во-2008 : тр. Междунар. симп. - Пенза : Изд-во Пенз. гос. ун-та, 2008.-С. 298.

4. Рой, А. В. Интеллектуальная система поиска информации, представленной в виде изображений / Н. Г. Федотов, JI. А. Шульга, А. В. Рой // Интеллектуализация обработки информации : тез. докл. Междунар. науч. конф. - Симферополь : Крымский научный центр HAH Украины, 2004. - С. 163-164.

5. Рой, А. В. Интеллектуальная система поиска информации, представленной в виде изображений / Н. Г. Федотов, JI. А. Шульга, А. В. Рой // Искусственный интеллект. - 2004. - № 2. - С. 188-192.

6. Рой, А. В. Анализ биологических микрообъектов с помощью методов стохастической геометрии / Н. Г. Федотов, А. В. Рой, А. Д. Волков // Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-6-2002) : тез. докл. 6-й Междунар. конф. - Великий Новгород : Изд-во НовГУ, 2002. - Т. 2. -С. 574-578.

7. Рой, А. В. Мягкое измерение размеров микрообъектов на основе методов стохастической геометрии / Н. Г. Федотов, А. В. Рой // Сб. докл. Междунар. конф. по мягким вычислениям и измерениям (SCM'2002). -СПб.: Гидрометиздат, 2002. - Т. 1. - С. 154 -157.

8. Рой, А. В. Интеллектуальный поиск изображений с помощью признаков распознавания образов, основанных на стохастической геометрии / Н. Г. Федотов, JI. А. Шульга, А. В. Рой // Распознавание образов и анализ изображений : новые информационные технологии : сб. ст. 7-й Междунар. науч. конф. - СПб., 2004. - С. 129-130.

9. Рой, А. В. Поиск изображений в базе данных на основе признаков распознавания, базирующихся на стохастической геометрии / Н. Г. Федотов, JI. А. Шульга, А. В. Рой // Новые информационные технологии и системы : тр. VI Междунар. науч.-техн. конф. - Пенза, 2004.-С. 128-133.

10. Fedotov N. G., Shulga L. A., Roy А. V. VISUAL MINING FOR BIOMATRICAL SYSTEM BASED ON STOCHASTIC GEOMETRY,

Proc. Int. Conf. Pattern Recognition and Image Analysis, PRIA-7-2004. -Vol. П.-P. 473-475.

11. Fedotov N. G., Roi A. V. Analysis of Biological Microobjects with the Use of Methods of Stochastic Geometry // Pattern Recognition and Image Analysis. - Vol. 13. - № 4. - 2003. - P. 674.

12. Fedotov N. G., Roy A. V., Shulga L. A., Volkov A. D. Stochastic geometry approach to DNA SPM image recognition and automatic length calculation // SPM-2003. - Nizhny Novgorod, 2003. - P. 212-214.

13. Fedotov N. G., Shulga L. A., Roy A. V., Volkov A. D. DNA and other tread-like objects SPM image DNA and other tread-like objects SPM image recognition and automatic length calculation be means of stochastic geometry» // 12th International Conference on Scanning Tunneling Microscopy/Spectroscopy and Related Techniques, 2003, Eindhoven, the Netherlands, Fr-5-30.

14. Рой, А. В. Применение стохастической геометрии в системах распознавания образов / Н. Г. Федотов, А. В. Рой // Математические методы в экономике : материалы Междунар. конф. - Пенза: ПДЗ, 2002.-С. 147 449.

15. Рой, А. В. Реализация стохастического сканирования случайными линиями / А. В. Рой // Математические методы в экономике : материалы Междунар. конф. - Пенза : ПДЗ, 2002. - С. 154 -155.

16. Рой, А. В. Стохастическая система распознавания полутоновых и бинарных изображений / А. В. Рой, Н. Г. Федотов // Актуальные проблемы современной науки : тез. докл. 2-й Междунар. конф. молодых ученых и студентов. Естественные науки. - Самара, 2001. -Ч. 4.-С. 106.

Рой Алексей Владимирович

Биометрический поиск информации в базе данных изображений, основанный на стохастической геометрии

Специальность 05.13.17 - Теоретические основы информатики

Редактор О. Ю. Ещина Технический редактор Н. А. Вьялкова

Корректор С. Н. Сухова Компьютерная верстка М. Б. Жучковой

ИД №06494 от 26.12.01

Сдано в производство 12.11.2008. Формат 60х841/16. Бумага писчая. Печать офсетная. Усл. печ. л. 1,16. Заказ № 645. Тираж 100.

Издательство Пензенского государственного университета. 440026, Пенза, Красная, 40.

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПОИСКА ИЗОБРАЖЕНИЯ ПО

ФОТОРОБОТУ

1.1. Аспекты физиологического восприятия человеческого лица

1.2. Выбор подходов к распознаванию для реализации биометрического поиска изображений человеческих лиц по фотороботу

1.3. Выводы и результаты

ГЛАВА 2. МЕТОД БИОМЕТРИЧЕСКОГО ПОИСКА НА ОСНОВЕ СТОХАСТИЧЕСКОЙ ГЕОМЕТРИИ И ФУНКЦИОНАЛЬНОГО АНАЛИЗА

2.1. Обоснование выбора метода

2.2. Описание пространства признаков, используемых для решения задачи поиска изображений 41 2.2.1. Trace-функционалы (Т-функционалы) 41 2.2.2 Диаметральные функционалы (Р-функционалы) 72 2.2.3. Круговые функционалы (©-функционалы)

2.3. Функционалы, применяемые для формирования триплетных признаков поиска информации

2.4. Исследование свойств инвариантности ic масштабным преобразованиям изображений объекта

2.5. Выводы и результаты

ГЛАВА 3. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ ПОИСКА ПОРТРЕТНЫХ ИЗОБРАЖЕНИЙ ПО ФОТОРОБОТУ

3.1. Архитектура поисковой системы

3.2. Пример расчета триплетных признаков в дискретном виде.

3.3. Работа поисковой ситемы

3.4. Основные модули системы

3.5. Взаимодействие основных объектов поисковой системы

3.6. Взаимодействие главного и вспомогательного окон поисковой системы

3.7. Программная реализация модулей основных окон приложений

3.7.1. Описание модуля обмена данными

3.7.2. Программная реализация модуля применения функционалов

3.7.3. Программная реализация модуля сканирования

3.7.4. Программная реализация модуля сегментации

3.8. Выводы и результаты

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПОИСКА ПОРТРЕТНЫХ ИЗОБРАЖЕНИЙ ПО ФОТОРОБОТУ

4.1. Объекты экспериментального исследования 146;

4.2. Оценка информативности признакового пространства

4.3. Упорядочение изображений

4.4. Экспериментальные результаты

4.5. Сравнение с существующими системами

Актуальность проблемы. В настоящее время на передний план теоретической информатики выдвигается проблема поиска информации по изображениям. Наряду с общетеоретическим значением, она исключительно важна для приложений в таких областях, как геология, аэрокосмические исследования, медицина, криминалистика.

Актуальность данной темы усилилась в связи с настоятельной необходимостью осуществлять биометрический поиск в больших базах данных изображений. Решение этой актуальной задачи имеет большое к социальное значение в связи с растущим в мире криминалом и терроризмом.

Для задач сравнения лиц, их поиска и, в общем портретной идентификации, характерна значительная вариабельность биометрических параметров, обусловленная различием форм, уровнем яркости, наличием фоновых шумов изображений на фотоснимках. В этих условиях придать большую устойчивость и надежность автоматического поиска изображений лиц позволяет опора на большое количество признаков распознавания. Применение теории распознавания образов, основанной на стохастической геометрии, позволяет осуществить формирование большого количества признаков* распознавания. Экстракция необходимых признаков распознавания с учетом анатомии портретного изображения даёт возможность достаточно надежно решать эту актуальную задачу.

Цель диссертационной работы. Разработка методов поиска биометрической информации в базе данных на основе признаков, базирующихся на стохастической геометрии; построение программной системы для реализации процедуры поиска портретных изображений.

Поставленная цель достигается решением следующих задач: • реализация процедур предварительной обработки цветных фотографических изображений для приведения к бинарному виду;

М-5

• реализация процедуры сегментации бинарного изображения человеческого лица с целью выделения наиболее информативных областей;

• построение трейс-преобразований биометрических изображений как источника формирования поисковых признаков нового класса, со структурой в виде композиции трех функционалов — триплетных признаков;

• выбор функционалов, обеспечивающих получение триплетных признаков распознавания портретных изображений;

• определение решающего правила поиска биометрической информации;

• разработка алгоритма поиска изображений по фотороботу;

• разработка программной системы для поиска изображений по фотороботу;

• экспериментальная проверка эффективности алгоритма поиска изображений по фотороботу.

Объектом исследования является биометрический поиск изображений человеческих лиц по фотороботу.

Предмет исследования составляют математические методы распознавания человеческих лиц и их программная реализация.

Методы исследования. При решении поставленных задач применены теория распознавания образов, теория признаков распознавания образов, i базирующаяся на стохастической геометрии и функциональном анализе, методы теории вероятностей, математической статистики, цифровой обработки изображений.

Проверка эффективности предложений, исследованных в диссертации, проводилась на разработанных математических моделях и по результатам работы программной системы, осуществляющей поиск реальной биометрической информации. Научная новизна работы:

1. Впервые предложено для построения системы биометрического поиска использовать математический аппарат стохастической геометрии, дающий возможность достигнуть высокую эффективность информационного поиска.

2. Впервые предложены новые конструктивные поисковые признаки, имеющие структуру в виде композиции трех функционалов (триплетные признаки). Благодаря такой структуре возможно получение большого количества поисковых признаков, что позволяет получить высокую гибкость и интеллектуальность поисковой системы, а также упростить решающие правила.

3. Предложено определение триплетных признаков по областям -изображения соответствующим элементам человеческого лица, что позволило повысить надежность биометрического поиска.

4. Разработан алгоритм биометрического поиска на основе стохастической геометрии, позволяющий достичь поставленной в работе цели.

5. Разработана программная система интеллектуального биометрического поиска фотоизображений по фотороботу, что позволило автоматизировать этот процесс.

Практическая ценность. Предложенные в диссертации методы и программная система позволяют автоматизировать процесс поиска таких биометрических объектов, как человеческие лица, по составленному субъективному портрету (фотороботу). Разработанный алгоритм, базирующийся на методах стохастической геометрии, даёт возможность осуществить поиск изображений лиц по фотороботу с опорой на большое к количество признаков, что повышает гибкость и надежность поиска. Диссертационная работа осуществлялась по трем программам РФФИ и Минобразования.

Реализация и внедрение результатов.

Результаты исследований используются при работе 2 полка милиции УВО при ГУВД по г. Москве.

Основные положения, выносимые на защиту:

1. Обоснование целесообразности построения системы биометрического поиска как обучающейся системы (класса «обучения с учителем»).

2. Обоснование целесообразности использования математического аппарата стохастической геометрии для решения задачи биометрического поиска.

3. Новые конструктивные поисковые признаки, имеющие структуру в виде композиции трех функционалов (триплетные признаки).

4. Повышение надежности биометрического поиска с помощью определения триплетных признаков по областям соответствующим элементам человеческого лица.

5. Реализация алгоритма биометрического поиска на основе стохастической геометрии.

6. Реализация программной системы интеллектуального биометрического поиска фотоизображений по фотороботу.

Апробация работы. Основные положения диссертации докладывались на следующих научных конференциях:

• 2-й ^ Международная конференция молодых ученых и студентов «Актуальные проблемы современной науки» (г. Самара, 2001),

• б-й Международная конференция «Распознавание образов и анализ изображений: новые информационные технологии» РОАИ-6-2002 (г. Великий Новгород, 2002),

• Международная научно-техническая конференция «Математические методы в экономике» (г. Пенза, 2002),

• Международная конференция по мягким вычислениям и измерениям SCM' 2002 (г. Санкт-Петербург, 2002),

• Международная научная конференция «Интеллектуализация обработки информации» ИОИ-2004 (Крым, г. Алушта, 2004).

По итогам работы на 2-й Международной конференции молодых ученых и студентов «Актуальные проблемы современной науки» в г. Самара, 2001 г. был награжден грамотой за лучшую работу.

Публикации. По теме диссертационной работы опубликовано 16 печатных работ, включая 7 статей, 9 тезисов докладов, из них 1 статья опубликована в журнале, аккредитованном ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 97 наименований. Общий объем диссертации 187 с, в том числе 177 с. основного текста, 7 с. списка литературы, 72 таблицы, 59 рисунков.

1. На основе анализа физиологии восприятия и распознавания человеческих лиц предложено построить систему биометрического поиска как обучающуюся, по типу обучения с учителем. Это дает возможность достигнуть высокой адаптивности системы.2. Впервые предложено для построения биометрического поиска использовать математический аппарат стохастической геометрии, что дает возможность достигнуть высоких показателей эффективности: гибкости, универсальности, надежности поиска, большего быстродействия.3. Впервые предложены поисковые признаки, имеющие структуру в виде композиции трех функционалов (триплетные признаки). Благодаря такой структуре возможно получение большого количества поисковых признаков, что позволяет достичь высокой гибкости и интеллектуальной поисковой системы, а также упростить решающие правила.4. При определенном выборе свойств функционалов, входящих в триплетный признак можно добиться инвариантности поисковых признаков по отношению к группе движений и линейным искажениям изображений, что повышает надежность поиска фотоизображений.5. Для повышения надежности биометрического поиска предложено определение триплетных признаков, по областям изображений соответствующим элементам человеческого лица. С этой целью разработана процедура сегментации.6. Разработан алгоритм биометрического поиска на основе стохастической геометрии, включающий предварительную обработку информации, его сегментации, формирование геометрических трейс преобразований изображений, и вычисление по ним триплетных признаков, решающие процедуры.7. Разработана программная система интеллектуально биометрического поиска фотоизображений по фотороботу в неупорядоченных базах данных на 1020 фотоучетов. Осуществлена экспериментальная проверка, которая показала высокую эффективность поиска, причём точность идентификации составила: • 73% для БД на 150 фотоучетов (I) и 48% для БД на 870 фотоучетов (II), когда изображение, сопоставляемое фотороботу попадает на первое место списка; • соответственно 93% (I) и 74% (II), когда изображение, сопоставляемое фотороботу, попадает в первую десятку списка; • 100% для обеих БД, когда изображение, сопоставляемое фотороботу попадает в первую сотню списка.8. Анализ результатов работы системы поиска биометрической информации показал, что точность поиска будет уменьшаться при увеличении БД изображениями более низкого качества приблизительно в 1,5-

2 раза при увеличении объёма БД в несколько раз. При этом полнота выдачи уменьшится немного — на 1-2%, что является хорошим результатом для информационно-поисковых систем, для которых характеристика «точность поиска - полнота выдачи» является ценным интегральным критерием эффективности.

1. Абламейко СВ., Лагуновский Д.М. Обработка изображений: технология, методы, применение. - Минск: Амалфея, 2000.

2. Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970.

3. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. — М.: Высшая школа, 1983.

4. Аркадьев А.Г., Браверманн Э.М. Обучение машины распознаванию образов. -М.: Наука, 1964.

5. Баландин Р.К. Распознавание в приводе и природа распознавания. - Минск: Университетское, 1988.

6. Барабаш Ю.Л. Коллективные статические решения при распознавании. — М.: Радио и связь, 1983.

7. Батоврин В.К., Сандлер Е.А. Обработка экспериментальных данных. - М.:МИРЭА,1992.

8. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. -М.: Наука, 1979.

9. Вапник В.Н. Задача обучения распознавания образов. - М.: Знание, 1970.

10. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. - М.: Наука, 1974.

11. Васильев В.И. Распознающие системы: Справочник. - Киев: Наукова думка, 1983.

12. Верхаген К., Дейн Р. и др. Распознавание образов: состояние и перспективы. — М.: Радио и связь, 1985.

13. Генкин В.Л., Ерош И.Л., Москалев Э.С. Системы распознавания автоматизированных производств. -Л.: Машиностроение, 1988.

14. Горелик А.Л. и др. Современное состояние проблемы распознавания: Некоторые аспекты. - М.: Радио и связь, 1985.

15. Горелик А.Л., Скрипкин В.А. Методы распознавания. - М.: Высшая школа, 1989

16. Горелик А.Л., Скрипкин В.А. Некоторые вопросы построения систем распознавания. -М. : Советское радио, 1974

17. Горелик А.Л., Скрипкин В.А Построение систем распознавания .- М.: Советское радио, 1974

18. Гренандер У. Лекции по теории образов. - М.: Мир, 1983

19. Гришин В.Г Образный анализ экспериментальных данных. - М.: Наука, 1982

20. Дуда Р., Харт П. Распознавание образов и анализ сцен. - М.: Мир, 1976

21. Журавлев Ю.И Избранные научные труды. - М.: Магистр, 1998

22. Загоруйко Н.Г Методы распознавания и их применение. - М.: Советское радио, 1972

23. Загоруйко Н.Г Методы обнаружения закономерностей.- М.: Знание, 1981

24. Загоруйко Н.Г Прикладные методы анализа данных и знаний.- Новосибирск: Изд-во Института математики, 1999

25. Загоруйко Н.Г Эмпирические предсказания.- Новосибирск : Наука, Сиб. Отделение, 1979

26. Здор Е., Широков В.Б Оптический поиск и распознавания .- М.: Наука, 1973

27. Иган, Джеймс П. Теория обнаружения сигналов и анализ рабочих характеристик./Пер. англ.; Под ред. Б.Ф. Ломова- М.: Наука, 1989

28. Кадыров А.А., Федотов Н.Г. Новые признаки изображений, инвариантные относительно группы движений и аффинных преобразований// Автометрия .- 1997.- №4. - 65 - 79.

29. Калоша В.К, Лобко СИ., Чикова Т.С. Математическая обработка результатов эксперимента.- Минск: Высшая школа, 1982

30. Касандрова О.Н. Обработка результатов наблюдений.- М., 1970

31. Катыс Г.П Восприятие и анализ оптической информации автоматической системой. -М.: Машиностроение, 1986

32. Кендали М., Моран П. Геометрические вероятности - М.: Наука, 1972

33. Контроль качества сварки. Под редакцией В.Н. Волчонко. - М.: Машиностроение, 1975

34. Лбов Т.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. — Новосибирск: Институт математики, 1999

35. Линдли К. Практическая обработка на языке СИ. - М.: Мир, 1996

36. Методы классификации и оптимизации в прикладных задачах./Сб.науч.трудов/- АН СССР, Урал. Отделение; - Свердловск: УрОАНСССР, 1988

37. Методы компьютерной обработки изображений/ Под ред. В.А. Сойфера. -М.: Физматлит, 2001.- 784 с.

38. Назаров Г. Методы контроля качества сварных соединений. - М.: Машиностроение, 1964

39. Павлидис У. Алгоритмы машинной графики и обработка изображений./Пер с англ.- М.: Радио и связь, 1986

40. Патрик Э.А. Основы теории распознавания образов./Пер. с англ; Под ред. Б.Р. Левина-М.: Советское радио, 1980

41. Персептрон - система распознавания образов./Под ред. А.Г. Ивахненко-Киев: Наукова думка, 1975

42. Психология машинного зрения. Под ред. П. Уинстона - М.: Мир, 1978

43. Претт У.К. Цифровая обработка изображений.- М.: Мир, 1982

44. Пугачев B.C. Теория вероятностей и математическая статистика. - М.: Наука, 1979

45. Путятин Е.П., Аверсин СИ. Обработка изображений в робототехнике. -М.: Машиностроение, 1990

46. Пытьев Ю.П. Чуличков А.И. ЭВМ анализирует форму изображения. — М.: Знание, 1988

47. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов: Пер с англ./Под ред. Ю.Н. Александрова -М.: Мир, 1978

48. Рабинович Г. Погрешности измерений .- Л.: Энергия, 1978

49. Распознавание. Классификация. Прогноз.(Сб.ст.)/АН СССР, ВЦ. Отв.ред. Ю.И. Журавлев. - М.: Наука, 1989

50. Распознавание образов при помощи цифровых вычислительных машин.

51. Сборник образов./Пер с англ. Под ред. Л.Хармона -М.: Мир, 1974

52. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания — М.: Энергоиздат, 1981

53. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин.- М.: Мир, 1972

54. Русин Б.П. Структурно-лингвистические методы распознавания изображений в реальном времени .- Киев: Наукова думка, 1986

55. Рушимский Л.З. Математическая обработка результатов эксперимента.- М,-1971

56. Сантало Л.А. Интегральная геометрия и геометрические вероятности — М.: Наука, 1983

57. СБИС для распознавания образов и обработка изображений./Пер. с англ. Под ред. В.А. Абрамова.- М.:Мир,1988

58. Себестиан Г.С Процессы принятия решений при распознавании образов./Пер с англ.- Киев: Техника, 1965

59. Алекс (Сэнди) Пентланд, Танзим Чаудхари Распознавание лиц для интеллектуальных сред. Открытые системы, #03/2000, http://osp.ru/os/2000/03/index.htm

60. Alexender Glazunov Компьютерное распознавание человеческих лиц. Открытые системы, #03/2000, http://osp.ru/os/2000/03/ index.htm

61. Теоретические и прикладные вопросы распознавания изображений. Сб.научных трудов. Киев. Институт кибернетики, 1991

62. Техническое зрение роботов./Пер. с англ.; Под ред. Г.П. Катыса.- М.: Машиностроение, 1987

63. Ту Дж., Гонсалес Р. Принципы распознавания образов./ Пер с англ.; Под ред. Журавлева Ю.И. - М.: Мир, 1978

64. Тюхтин B.C. Теория автоматического опознавания и гносеология,- М.: Наука, 1976

65. Фаин B.C. Опознавание изображения, -М.: Наука, 1970

66. Файн B.C. Распознавание образов и машинное понимание естественного языка.- М.: Наука, 1987

67. Федотов Н.Г. Методы стохастической геометрии в распознавании образов.- М.: Радио и связь, 1990

68. Федотов Н.Г., Кадыров А.А. Новые методы формирования признаков распознавания образов с позиции стохастической геометрии.//Автометрия.- 1996. - №3. - 88-92.

69. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов.- М.: Радио и связь, 1986

70. Фор А. Восприятие и распознавание образов .- М.: Машиностроение, 1989.

71. Фу К. Последовательные методы в распознавании образов и обучение машин./Пер с англ.- Мир, 1971

72. Фу К. Структурные методы в распознавании образов и обучении машин./Пер с англ.- М.: Мир, 1977

73. Фукунага К. Введение в статистическую теорию распознавания ./Пер с англ. -М.: Наука, 1979

74. Фурман Я. А. Основы теории обработки контуров изображений. Учебное пособие. -Йошкар-Ола: МарГТУ, 1997

75. Введение в контурный анализ его приложения к обработке изображений и сигналов./Под ред. Я.А. Фурмана. -М.: Физматлит, 2002

76. Хелгасон Преобразование Радона.- М.: Мир, 1983

77. Хорн, Бертольд К.П. Зрение роботов /Пер с англ. Под ред. Е.И. Кугушева-М.: Мир, 1989

78. Kumar V. Т. Poggio. Learning based approach to real-time tracking and analysis of faces // Proc. Of the 4-th Int. Conf. on Face and Gesture Recognition, Grenoble, France, 2000. - p . 91-96.

79. Цыпник Я.З Основы теории обучающихся систем.- М.: Наука, 1970

80. Шведов А.Н, Шмидт А.А Якубович В.А. Инвариантные системы признаков в распознавании образов./УАвтоматика и телемеханика-1973.-№1.-С. 109-122

81. Шибанов Г.П. Распознавание в системах автоконтроля. -М.: Машиностроение, 1973

82. Шикин Е.В., Боресков А.В. Компьютерная графика. — М.: Диалог- МИФИ, 1998.

83. Шульга Л.А. Формирование: Автореф. дис. к.т.н - Пенза: ПТУ, 2001

84. Ярославский Л.П. Введение в цифровую обработку изображений. - М . : Советское радио, 1979.

85. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. — М.: Радио и связь, 1987.

86. Шапошников Д.Г., Головань А.В., Гизатдинова Ю.Ф., Литовченко Е.В., Гусакова В.И. Оценка параметров информативных областей изображений лиц.

87. К.В. Калинин, М.В. Петрушан, А.И. Самарин, Д.В. Шапошников Алгоритмы активного рассматривания в системах распознавания лиц для санкционированного доступа.

88. Ярбус А.Л. Роль движения глаз в процессе зрения..// М., Наука, 1965, с. 166.

89. Гаврилей Ю.К., Самарин А.И., Шевченко М.А. Активный анализ изображений в системах с фовеальным восприятием. В ж. Нейрокомпьютеры: разработка, применение. № 7-8, 2002. с. 34-46.

90. K. Etemad and R. Chellapa, "Discriminant Analysis for Recognition of Human Face Images", J. Optical Soc. Of America, pp. 1724-1733.

91. B. Moghaddam and A. Pentland, "", Trans. IEEE Pattern Recognition and Machine Intelligence, July 1997, pp. 696-710.

92. P. Penev and J.A. Tick, "", Network: Computation in Neural Systems, Mar. 1996, pp. 477-500.

93. A. Pentland and T. Choudhury, "Face recognition for smart environments", IEEE Computer, February 2000, pp. 50-55. 96.3инин A.M. Внешность человека в криминалистике (субъективные изображения). М., 1995.

94. Михайлов А.И., Черный А.И., Гиляревский Р.С. Теоретические основы информатики. - М . : Наука, 1968, с. 302-315. ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях, рекомендованных ВАК России

95. Н.Г. Федотов, А.В. Рой «Анализ биологических микрообъектов с помощью методов стохастической геометрии», Измерительная техника, N 4, 2004, с. 61-64. Публикации в других изданиях

96. Н.Г. Федотов, Л.А. Шульга, А.В. Рой «Интеллектуальная система поиска информации, представленной в виде изображений» - Искусственный интеллект, N 2,2004 с. 188-192.

97. N.G. Fedotov and A.V. Roi «Analysis of Biological Microobjects with the Use of Methods of Stochastic Geometry» // Pattern Recognition and Image Analysis, Vol.13, No4, 2003, p.674

98. Fedotov N.G., Roy A.V., Shulga L.A., Volkov A.D. «Stochastic geometry approach to DNA SPM image recognition and automatic length calculation» // SPM-2003, Nizhny Novgorod, 2003, pp. 212-214

99. Н.Г. Федотов, А.В. Рой «Применение стохастической геометрии в системах распознавания образов» // Материалы международной конференции "Математические методы в экономике", май 2002, Пенза.-Пенза: Изд-во Приволжского Дома знаний, 2002. - с. 147-149

100. А.В. Рой «Реализация стохастического сканирования случайными линиями» // Материалы международной конференции "Математические методы в экономике", май 2002, Пенза.- Пенза: Изд-во Приволжского Дома знаний, 2002. - с. 154-155