Книги по разным темам Pages:     | 1 |   ...   | 32 | 33 | 34 | 35 | 36 |   ...   | 40 |

Анализ уровня ПСС на выходе СЧ позволяет сделать ряд выводов об эффективности рандомизации. Во-первых, режим рандомизации позволяет снизить уровень ПСС до 60 дБ, если рассматривать линейную модель (см. рис. 10,11) и на 20 дБ в нелинейном случае. На основе ЛАХ передаточных функций системы по шуму квантованию (см. рис. 10,11) можно сделать вывод об оптимальном выборе порядка кольца и ДСМ для СЧ на основе ИФАПЧ для приёмника комплекса радиомониторинга. Именно третий порядок кольца и третий порядок ДСМ позволяют удовлетворить требованиям на предельно допустимый уровень СПМ фазовых шумов для СЧ (см. рис. 1). Во-вторых, за счёт снижения уровня ПСС удалось повысить частоту среза в кольце и довести время переходного процесса до 40 мкс (см.рис. 15), что удовлетворяет требованиям на время переключения с одной частоты на другую не более мкс. В работе представлена возможность создания широкодиапазонного СЧ на основе ИФАПЧ для приёмника комплекса радиомониторинга с повышенной чувствительностью и допустимым быстродействием.

итература 1. Иванкович М.В., Пестряков А.В. Определение требований к синтезатору частот для комплекса мониторинга систем связи // Труды Московского технического университета связи и информатики, М.: ИД Медиа Паблишер, 2007. - 316с. - С.69 - 76.

2. Иванкович М.В. Определение требований к шумовым характеристикам синтезатора частот // Труды НИИР: сб. ст. - М.: НИИР. - 2008. - №3. - С.92 - 97.

3. Казаков Л.Н., Вишняков Д.Ю., Шушков В.Г. Разработка и исследование ИФАПЧсинтезаторов частот для радиоэлектронной аппаратуры специального назначения // Актуальные вопросы разработки и внедрения информационных технологий двойного применения. IX Всероссийская научно-практическая конференция, 24-25 октября 2008. - Ярославль. С. 80-88.

4. М.В.Назаров, С.И.Курилов, Д.Ю.Вишняков. Высокостабильный ИФАПЧ-синтезатор частоты с технологией рандомизации для перспективных мобильных систем. //Сборник лучших студенческих научных работ городского конкурса 2008 года Ярославль на пороге тысячелетия. - С.263.

5. Дельта-сигма синтезаторы частот для систем мобильной связи. /Пестряков А.В., Островский И.В., Колесников И.И. / Научно-технический семинар Синхронизация, формирование и обработка сигналов/ МТУСИ. - М., 2003.

6. Исследование синтезаторов частот с дробным коэффициентом деления для систем мобильной связи. /Пестряков А.В., Островский И.В./ Радиопередающие устройства /МТУСИ. - М., 2003. Библ. - Рус. - Деп. в ЦНТИ.

7. Kikkert C. J. УImproving ADC Performance by Adding DitherФ, Micro 95, Adelaide, Digest, July 95.

8. Kikkert C. J., Bigdeli A., Reducing distortion in microwave analogue to digital converters.

Electrical and Computer Engineering, James Cook University Townsville, Qld., Australia, 4811.

СИСТЕМА РАСПОЗНАВАНИЯ ЛИ - НА ИЗОБРАЖЕНИЯХ И ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯХ Голубев М.Н., аспирант; Павлов Е.А., Шмаглит Л.А., студенты Научный руководитель Хрящев В.В., к.т.н.

Актуальность темы проекта. Задача распознавания лиц, на первый взгляд, кажется простой с точки зрения человека, однако, с позиций машинного зрения ее решение требует серьезных вычислительных и интеллектуальных ресурсов. Искусственный интеллект, привлекаемый для решения этой проблемы, пока еще не достиг уровня человека, но все-таки уже успел превратиться в серьезный инструмент для решения важных практических задач.

Решение задачи автоматического обнаружения лиц находит применение в системах технического зрения, робототехнике, системах видеонаблюдения и контроля доступа, в интерфейсах взаимодействия человек-компьютер.

Проблема создания высококачественной системы распознавания лиц на изображениях и видеопоследовательностях - это главным образом проблема быстрой и эффективной работы алгоритмов в реальном времени.

За последние несколько лет было предложено множество алгоритмов обнаружения лиц на изображениях [1]. Система обнаружения лиц решает следующую задачу: по произвольному изображению на входе системы определить имеются ли на этом изображении лица, и если да, то указать, где находится каждое лицо и каков его размер. Рассмотрим основные методы обнаружения лиц на изображениях. Для удобства их можно разделить на четыре категории (рис. 1).

Рис.1 Развитие алгоритмов распознавания лиц на изображениях 1. Методы, основанные на знаниях. В этих методах используются человеческие знания о том, что собой представляет типичное человеческое лицо. Методы, основанные на знаниях, используют законы, отражающие зависимости между определенными чертами лица. Основной проблемой методов, основанных на знаниях, является то, что очень сложно преобразовать человеческие знания в хорошо определенные законы.

2. Методы на базе неизменных характерных черт. Эти алгоритмы стараются найти структурные особенности, которые присутствуют в области изображения, где находится лицо, даже при изменении условий освещения, выражения лица и его положения по отношению к камере. Затем они используют эти характерные особенности для обнаружения лиц на изображениях. Проблемой методов на базе неизменных характерных черт является то, что эти черты могут быть серьезно повреждены шумами, а также при засвечивании и затемнении изображения. Лицо может иметь еле заметную границу, в то время как тени могут дать многочисленные и четкие края, что приведет к некорректной работе алгоритма.

3. Методы на базе сравнения с шаблоном. В этих методах выбирается несколько стандартных образцов лиц или отдельных черт лиц, чтобы в дальнейшем определить местонахождение лица, посчитав корреляции между входным изображением и этими образцами. Стандартные образцы лиц (обычно фронтальных) задаются вручную непосредственно или в виде параметров некоторой функции. Преимуществом методов на базе сравнения с шаблоном является простота их реализации. Однако эти методы демонстрируют низкий уровень выделения лиц, поскольку они не могут эффективно справляться с большим разнообразием форм, поз и размеров. Для достижения неизменности форм и размеров применяются масштабируемые, деформируемые шаблоны, шаблоны с переменным разрешением.

4. Методы на базе обучения. Эти методы отличаются от методов на базе сравнения с шаблоном тем, что в них модели (шаблоны) обучаются набором тренировочных изображений, которые должны содержать в себе характерные отличия внешнего вида лиц от внешнего вида других объектов. Затем обученные модели используются для обнаружения лиц на изображениях.

Среди рассмотренных выше методов обнаружения лиц на изображениях наиболее эффективными являются методы на базе обучения [2].

Основной задачей разработки эффективных систем распознавания лиц на изображениях и видеопоследовательностях является создание алгоритмов, обладающих следующими требованиями:

- высокий уровень распознавания лиц;

- малое количество ошибок и ложных срабатываний;

- работа в режиме реального времени;

- устойчивость к шумам и другим искажениям.

Очевидно, что развитие подобных алгоритмов несёт в себе большой потенциал с точки зрения использования в реальных системах распознавания лиц на изображениях и видеопоследовательностях:

- Во-первых, такие алгоритмы могут быть использованы в системах безопасности и контроля, а также для создания комплекса охранного телевидения сверхвысокой четкости;

- Во-вторых, подобные алгоритмы найдут применение при поиске и идентификации изображений, содержащих лица, в сети Интернет;

- В-третьих, они могут быть встроены в фотоаппараты, видео- и вебкамеры для распознавания эмоций человека, автоматической коррекции красных глаз и автоматическом фокусировании на лицах.

Используемые сегодня алгоритмы имеют один существенный недостаток Ч низкая скорость обработки изображений, что ставит под сомнение реализации данных алгоритмов для работы с видеопоследовательностями.

Задача распознавания лиц на изображениях и видеопоследовательностях вызывает в последние годы повышенный интерес исследователей в связи с бурным развитием сетей передачи информации и интернета. Кроме того, до сих пор не существует дешёвого и эффективного аппаратно-программного комплекса для использования в Российских условиях.

В этой связи разработка алгоритмов распознавания лиц на изображениях и видеопоследовательностях представляет собой актуальную научно-техническую задачу.

Основной целью данного проекта является разработка алгоритмов распознавания лиц на статических изображениях и видеопоследовательностях.

Для достижения указанной цели в проекте решаются следующие задачи:

- анализ литературы по вопросам распознавания лиц на изображениях и видеопоследовательностях;

- разработка алгоритмов для распознавания лиц на цифровых изображениях и видеопоследовательностях;

- сравнение реализованных алгоритмов с современными алгоритмами распознавания лиц на базе методов обучения.

- реализация программно-аппаратного комплекса по распознаванию лиц в реальном времени;

- создание программного компонента по работе с сетью Интернет для поиска и идентификации изображений, содержащий лица, на базе разработанных алгоритмов.

Методы исследования. При решении поставленных задач использовались современные методы цифровой обработки сигналов и изображений, математического анализа, теории вероятностей, математической статистики, линейной алгебры. Для практической реализации алгоритмов применялись современные численные методы, нейронные сети и методы объектноориентированного программирования на языке C# с использованием Microsoft.NET Framework 3.5.

Апробация результатов работы. Результаты обсуждались на следующих научнотехнических конференциях:

1. Научно-техническая конференция Проблемы автоматизации и управления в технических системах. Пенза. 2008.

2. Городского конкурс Ярославль на пороге тысячелетия. Ярославль, 2008.

3. LХIII научная сессия, посвящённая Дню Радио. Москва, 2008.

4. Научно-технический семинар Системы синхронизации, формирования и обработки сигналов для связи и вещания. Ярославль, 2008.

Реализация результатов проекта. Отдельные результаты проекта внедрены в учебный процесс ЯрГУ им. П.Г. Демидова в рамках дисциплины Цифровая обработка изображений, а также в научно-исследовательские работы при выполнении исследований в рамках гранта РФФИ № 06-08-00782 Развитие теории цифровой обработки сигналов и изображений в технических системах (2006-2008 гг.).

Содержание. Распознавания лиц выполняется в два этапа (рис. 2). На первом этапе решается задача обнаружения: по произвольному изображению на входе определить имеются ли на этом изображении лица, и если да, то указать, где находится каждое лицо и каковы его размеры [2]. За последние несколько лет для решения этой задачи было предложено множество алгоритмов, использующих различные подходы [1]. Каждый из них имеет свои достоинства и недостатки и не может гарантировать выделения всех лиц на изображении при отсутствии ложных срабатываний.

Рис. 2. Этапы распознавания лиц на изображении После того как выбрано окно, про которое с большой достоверностью можно сказать, что оно с большой достоверностью содержит только лицо человека можно приступать ко второму этапу - идентификация лица. Задача идентификации заключается в поиске по базе данных изображений лиц, наиболее похожих на лицо-запрос. Для этого применяется набор алгоритмов [3]: статистических, нейросетевых, марковских цепей, эластичных графов, вейвлет-анализ, анализ характерных точек и др. Современные алгоритмы позволяют достичь очень высоких уровней идентификации порядка 98%. Однако многие из этих алгоритмов требуют больших вычислительных затрат и не могут работать в режиме реального времени.

Схема системы установки по распознаванию лиц на изображениях и видеопоследовательностях показана на рис. 3.

Рис. 3. Источники изображений и видеопоследовательностей Результаты работы Для решения задачи обнаружения в данной работе представлен алгоритм на основе обучения, который позволяет эффективно и быстро выделять лица на изображениях. Для этого используются следующие три подхода:

- переход к интегральному изображению;

- процедура обучения, основанная на алгоритме бустинга;

- метод комбинирования классификаторов в каскадную структуру.

Для проведения экспериментов была составлена база данных из 50 цветных изображений, разрешения 768576 пикселей, суммарно содержащая 213 лиц [4]. На рис. 4 представлены примеры изображений из тестовой базы, на которых с помощью описанного выше алгоритма были выделены лица.

Результаты сравнения алгоритмов на тестовых изображениях приведены в Приложении 1.

а) б) Рис. 4. Примеры тестовых изображений с выделенными лицами Исследовано влияние на работу алгоритма нескольких типов искажений (гауссов шум, импульсный шум, размытие, сжатие JPEG) в сравнении с двумя другими современными алгоритмами выделения лиц (алгоритмы на базе на базе обучающей сети SNoW и на базе метода опорных векторов). Результаты проведенных экспериментов показали, что алгоритм устойчив к слабым искажениям любого из этих видов. При внесении более сильных искажений уровень обнаружения начинает уменьшаться, но медленнее, чем у двух других алгоритмов.

100 Бустинг Бустинг 90 SNoW SNoW SVM SVM 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.p СКО а) б) 100 Бустинг Бустинг 90 SNoW SNoW 80 SVM SVM 70 60 50 40 30 20 10 0 1 0.9 0.75 0.6 0.45 0.3 0.15 0 20 40 60 80 100 120 K УИК в) г) Рис. 5. Зависимость уровня выделения от: а) СКО гауссова шума; б) вероятности импульсного шума; в) степени размытия изображения; г) коэффициента сжатия изображения Для решения задачи идентификации предлагается алгоритм на основе метода эластичных графов. Работа данного алгоритма проходит в два этапа:

1) построение графа лица;

2) сравнение данного графа с модельными графами из базы данных.

Основные вычислительные затраты приходятся на первый этап работы алгоритма.

Упрощение процедуры расположения вершин графа на изображении лица позволяет уменьшить вычислительную сложность, что делает возможным использование алгоритма в режиме реального времени.

Pages:     | 1 |   ...   | 32 | 33 | 34 | 35 | 36 |   ...   | 40 |    Книги по разным темам