Главная Коллекция "Revolution" Программирование, компьютеры и кибернетика Алгоритмы и методы динамического отслеживания объектов в видеопоследовательностях

Алгоритмы и методы динамического отслеживания объектов в видеопоследовательностях

Выбор базовых программных средств. Алгоритмы распознавания лиц. Архитектура средств динамического отслеживания лиц в видеопоследовательности. Тестирование на больших объемах видеоданных. Сравнение типа один к одному. Утилизация компьютеров и оргтехники.

Рубрика Программирование, компьютеры и кибернетика
Вид дипломная работа
Язык русский
Дата добавления 24.06.2014
Размер файла 3,7 M
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Распознает и отслеживает объекты, например, человека, даже когда он повернут спиной или боком. Автоматически повторно производит распознание, если новый человек появляется перед камерой. Поддерживает видео с веб-камеры или файлы AVI. Удобный интерфейс и отлаженная работа программы позволяет отслеживать изображения от любого источника видеосигнала.

Особенности:

- минимальный размер изображения лица ок. 80 пикселей;

- минимальное разрешение видео вход ок. 320 Ч 240. Более высокое разрешение (например, 640 Ч 480, 800 Ч 600) дает лучшие результаты;

- отслеживает объект при вращении до 45 градусов;

- обширный объем отслеживания и скорость (30 кадров в секунду в режиме реального времени);

- Face Track возвращает полноценное изображение 3D объекта в данный момент времени, координаты лица и другую информацию.[8]

1.3.5 Kinect Face Tracking (Microsoft)

Face Tracking полностью реализуется программно, на основании данных получаемых из видеопотока (color stream) и потока данных дальномера (depth stream). Поэтому от ресурсов клиентского компьютера будет зависеть то, как быстро будет работать трекинг.

Стоит отметить, что трекинг лица (face tracking) это не то же самое что распознавание лиц (face recognition). Трекинг лица - это слежение за лицом человека в кадре с построением 87-ми узловой схемы лица.

Есть возможность следить за несколькими лицами.

Рис. 1.7 87-ми узловая схема лица

Помимо этих 87 узлов, вы можете получить координаты еще для 13: центры глаз, носа, уголки губ и границы головы. Face Tracking может построить 3D маску лица, как показано на следующем рисунке:

Рис. 1.8 3D маска лица

В задачи комплекса входит инициализация обработчика (engine) трекинга и слежение за перемещениями человека в кадре. Перегруженный метод Track, позволяет осуществлять поиск человека по данным с видеокамеры и дальномера.

Качество нахождения лица в кадре зависит как от расстояния до головы, так и от её положения (наклонов). Приемлемыми наклонами головы для сенсора считаются вверх-вниз ±20°, влево-вправо ±45°, наклон на бок ±45°. Оптимальными будут ±10°, ±30° и ±45° для наклонов вверх-вниз, влево-вправо и набок соответственно.

Минимальные требования к аппаратному обеспечению:

- компьютер с двухъядерным (2,66-ГГц или больше) процессором;

- Windows 7 или Windows 8 - совместимая видеокарта, которая поддерживает Microsoft ® DirectX ® 9.0;

- 2 Гб оперативной памяти. [9]

1.3.6 Microsoft Research Face SDK

Microsoft Research Face SDK включает новейшие технологий от исследовательских групп Microsoft. Microsoft Research Face SDK использует современные алгоритмы обработки изображений лица: распознавание, выравнивание, отслеживание и создание мультиплицированных образов.

Основными функциями являются: обнаружение, выравнивание, отслеживание. Учитывая особенности изображения, этот модуль отслеживания пытается найти все лица и возвращает список прямоугольников с указанием позиции (координат) лица. Алгоритм обнаружения автоматически обрабатывает изменения освещения, а также учитывает различные повороты объекта.

Модуль выравнивания пытается найти компоненты лица (глаза, брови, рот, нос и т.д.) и возвращает очертания компонентов.

Рис. 1.9 Очертания компонентов лица

Модуль отслеживания находит положения лица в режиме реального времени.[10]

1.3.7 Intel Perceptual Computing SDK

Компания Intel выпускает новый продукт Intel® Perceptual Computing SDK 2013 призванный помочь разработчикам приложений расширить возможности взаимодействия с конечным пользователем.

В первой версии продукта уже доступны простые интерфейсы для поддержки:

- распознавание лиц;

- распознавание жестов;

- свободный трекинг пальцев и рук пользователя;

- трекинг безмаркерных объектов;

- распознования речи в режиме команд и надиктовывания коротких фраз.

1.3.8 VeriLook Surveillance SDK

Комплект VeriLook Surveillance SDK адресован разработчикам биометрического программного обеспечения, реализующего распознавание пользователей по изображениям их лиц, используя видео потоки, полученные с цифровых видеокамер высокого разрешения в режиме реального времени. Этот комплект основан на VeriLook технологии распознавании пользователей по изображениям их лиц и используется для так называемой пассивной идентификации - то есть, когда проходящие люди не прилагают никаких усилий для их распознавания. К сферам использования данного продукта относятся: правоохранительные органы, охрана, контроль доступа, контроль посетителей, и др. С помощью этого комплекта обеспечивается быстрое создание прикладных биометрических решений на базе платформ Microsoft Windows и Linux.

Особенности:

- регистрация (обнаружение) лиц в режиме реального времени, извлечение шаблона и сравнение его с базой данных;

- одновременное отслеживание лиц нескольких человек при помощи видео в режиме реального времени;

- автоматический режим работы позволяет регистрировать и создавать отчет о появлении, сравнении и исчезновение лица человека, а также вводить лицо нового пользователя в БД и добавлять его в список для наблюдения автоматически;

- разработка приложений и систем идентификации по изображению лица возможна на базе различных платформ, поддерживаются несколько языков программирования;

Все характеристики даны для ПК с процессором IntelCore2 (4 ядра), 2,66 ГГц и одной камеры, подключенной к ПК.

Таблица 1.2 Технические характеристики алгоритма VeriLook

Технические характеристики алгоритма VeriLook Surveillance SDK, версия 1.1.

Минимальный размер входящего изображения

640 х 480 пикселей

Минимальный размер лица для распознавания

40 пикселей между глазами

Кадров в секунду при кол-ве лиц = 3

не менее 10

Время для сравнения с шаблоном БД

менее 1 сек.*

Максимальный размер БД

кол-во ограничено размером свободной оперативной памяти

* до 50 000 записей в БД; при большем размере БД уменьшается быстродействие

Системные требования

- процессор IntelCore2 и выше (4 ядра), 2,66 Ггц или аналогичный другого производителя;

- минимум 1 Гб свободной оперативной памяти ;

- цифровая камера: разрешение камеры может варьироваться в зависимости от приложения от 0.3 мегапикселя (640 х 480 пикселей) до 1 мегапикселя и более. Высокое разрешение камер требует больше свободной оперативной памяти и уменьшает кол-во кадров в секунду.[12]

1.3.9 Signal Processing Toolbox

Signal Processing Toolbox - это пакет расширения MATLAB, содержащий набор типовых функций для цифровой и аналоговой обработки сигналов. Пакет включает графический пользовательский интерфейс для интерактивной работы и огромное количество функций командной строки для разработки новых алгоритмов.

Рис. 1.10 Окно Signal Processing Toolbox

Большая часть всех алгоритмов и функций, включенных в состав пакета, написана на языке MATLAB и открыта для чтения и редактирования. Типовые функции пакета могут использоваться для разработки различных алгоритмов анализа речи, обработки звука, проводных и беспроводных систем связи, финансового анализа, рентгенографии и медицинского приборостроения.

Ключевые возможности:

- наборы моделей линейных систем и сигналов;

- инструменты для разработки анализа и внедрения КИХ и БИХ фильтров;

- проектирование аналоговых фильтров;

- быстрое преобразование Фурье и дискретное косинусное преобразование;

- спектральный анализ и статистическая обработка сигналов;

- функции параметрического моделирования временных рядов;

- генерация сигналов: чирп-импульс, Гауссовский импульс, последовательности импульсов заданной формы и длительности;

- средства работы с оконными функциями;

- графический пользовательский интерфейс для анализа и визуализации сигналов и фильтров.[13]

1.3.10 Wavelet Toolbox

Wavelet Toolbox - это пакет расширения MATLAB для работы с вейвлетами. Содержит функции вейвлет-преобразования, средства разработки вейвлет-алгоритмов, функции анализа, синтеза, фильтрации, сжатия и обработки, а также инструменты для кратномасштабного анализа одномерных и двухмерных данных.

Рис. 1.11 Окно Wavelet Toolbox

Wavelet Toolbox включает интерактивные графические средства для экспериментов с различными вейвлетами в задачах обработки и анализа данных. Пакет содержит функции разработки методов шифрования, сжатия и реконструкции, идентификации и анализа локальных и нестационарных процессов, а также обработки сигналов различной природы. Вейвлеты позволяют выявить те свойства, которые сложно обнаружить классическими частотными методами.

Ключевые возможности:

- семейство классических вейвлетов: Добеши, комплексные вейвлеты Гаусса и Морлета, дискретный Мейера (фильтры Добеши, комплексные вейвлеты Гаусса и Морлета, биортогональные, дискретные вейвлеты Мейера);

- средства для обработки сигналов вейвлет-методами, преобразование частоты в масштаб и обратное (средства обработки сигналов и вейвлет-анализа, включая функции перевода сигнала из временной области в частотную);

- методы построения семейства вейвлетов;

- средства визуализации вейвлетов;

- интерактивные средства для непрерывного и дискретного вейвлет анализа;

- работа с вейвлет-пакетами как с MATLAB-объектами;

- анализ по одной координате, сжатие и устранение шума сигнала;

- анализ основных компонентов с использованием масштаба;

- многопараметрическая фильтрация.[13]

1.3.11 OpenCV

OpenCV библиотека машинного зрения с открытым исходным кодом. Библиотека написана на C и C++ и работает под Linux, Windows и Mac OS X. OpenCV была разработана для эффективных вычислений и с упором на приложения реального времени. OpenCV написана на оптимизированном C и использует преимущества многоядерных процессоров.

Главной целью OpenCV является предоставление простой в использовании инфраструктуры компьютерного зрения, которая помогает быстро строить достаточно сложные приложения. OpenCV содержит более 500 функций, которые охватывают многие области, в том числе мониторинг конвейерной продукции, медицинская визуализация, безопасность, пользовательские интерфейсы, калибровка камер, стерео зрение и робототехника. Поскольку компьютерное зрение и машинное обучение, часто идут рука об руку, OpenCV также содержит комплексную библиотеку машинного обучения общего назначения Machine Learning Library (MLL). Эта подсистема ориентирована на статистическое распознавание образов и кластеризацию. Библиотека MLL весьма полезна для задач машинного зрения, но при этом носит достаточно общий характер и может использоваться для любых задач машинного обучения.

С момента своего альфа-релиза в январе 1999 года библиотека OpenCV использовалась во многих приложениях, продуктах и исследованиях. Такие приложения как "сшивка" изображений в спутниковых системах и веб-картах, выравнивание изображений, снижение шума в медицинских изображениях, анализ объектов, системы обнаружения вторжений, автоматический контроль, системы безопасности, производство систем контроля, калибровка камер, широкое военное применение, беспилотные летательные, наземные и подводные аппараты.

Возможности OpenCV:

- человеко-машиное взаимодействие;

- идентификация объектов;

- сегментация и распознавание;

- распознавание лиц;

- распознавание жестов;

- трекинг движения;

- структура движения;

- калибровка стерео-камер;

- 3D трекинг.[14]

Вывод по разделу

В этом разделе были рассмотрены основные методы и алгоритмы распознавания лиц и объектов в видеопотоке и указаны их основные достоинства и недостатки. Рассмотрены основные методы выделения движущихся объектов. Произведен их сравнительный анализ и проверено, что все они достаточно быстрые, чтобы использоваться в системах реального времени, а также их несложно реализовать и встроить в уже существующие проекты.

Подведем основные итоги:

1) Существует довольно большое количество научных исследований, посвященных задаче распознавания и отслеживания объектов, однако почти все они зарубежные. В России наработок очень мало;

2) Алгоритмы ориентированы на конкретные задачи, несколько отличающиеся от поставленной задачи данной дипломной работы;

3) Существует множество коммерческих разработок, ориентированных на определенные задачи распознавания:

- распознавание лиц - биометрия (могут быть интегрированы с оборудованием в целый комплекс);

- распознавание движущихся объектов - (пакет Matlab);

- распознавание движущихся объектов применительно к задаче видеонаблюдения, как правило, сразу ориентированы на конкретное видеооборудование или интегрированы с ними.

4) Существуют программные средства разработки (SDK) для встраивания в собственные продукты. Многие из них представляют интерес с точки зрения проектирования комплекса, которому посвящена настоящая дипломная работа.

Характерный поток данных может быть представлен следующим образом:

1) Удлиненная последовательность данных разделена на отдельные сцены или кадры, подлежащие анализу. Так как они имеют различные гистограммы или цветные частотные распределения, кадр с радикальным изменением гистограммы от первоначального кадра может обрабатываться как изменение сцены.

2) Изменение информационной части изображений обнаруживается отдельно от статического фона.

3) Отдельные информационные части изображений (объекты) выделяются или сегментируются, затем отслеживаются от кадра к кадру. Отслеживание включает обнаружение положения и скорость объекта, которые могут быть переменными или временно постоянными

4) Если требуется распознавание, особенности объекта выделяются так, чтобы объект мог быть классифицирован.

Отслеживание объектов переднего плана включает в себя 3 этапа:

1) предсказание, при котором каждый объект должен быть расположен в текущем кадре;

2) определение объекта, наилучшим образом соответствующего описанию;

3) коррекцию траектории объекта для предсказания очередного кадра.

Таким образом, выбор условий съемки и настроек очень важны для многих алгоритмов. Отлично работая в одних условиях, многие алгоритмы могут полностью перестать работать в других условиях.

Глава 2. Разработка алгоритмического обеспечения

2.1 Архитектура средств динамического отслеживания лиц в видеопоследовательности

Рассматривается архитектура средств распознавания и динамического отслеживания лиц в видеопоследовательности (рис. 2.1). В блоке формирования графов лица на основе алгоритмов захвата и отслеживания области интересов создается граф лица. Сюда также включены алгоритмы захвата и отслеживания простых объектов (квадрат, прямоугольник, окружность) в кадре и алгоритмы распознавания человека, использующиеся в блоке распознавания сцены. На этапе обучения системы полученный граф лица поступает на вход блока обучения. Далее ряд настроечных параметров системы сохраняются в базе признаков лиц. На этапе распознавания, граф лица, сформированный блоком формирования графов лица, обрабатывается в блоке распознавания лица. В этом блоке осуществляется распознавание лиц из базы данных. Если распознавание закончилось успешно, то блок принятия решений выдает управляющее воздействие, в зависимости от типа распознанного лица. В блоке распознавания сцены проводится распознавание сцен s-го уровня. Для того чтобы провести распознавание сцен первого уровня, блок получает результаты распознавания объектов сцены из блока распознавания лиц и блока формирования графов лица. Результаты работы блока распознавания сцены могут влиять на принимаемое решение об управляющем воздействии. В блоке хранения истории управления сохраняется последовательность распознанных лиц и соответствующих им управляющих воздействий за определенное время, в частности, с целью интерпретации принятых решений по управлению. Все сцены и лица, распознанные ранее этого периода, утрачиваются. [15]

Рис. 2.1 Архитектура системы распознавания лиц

2.2 Выбор базовых программных средств

В ходе выполнения дипломной работы были изучены различные подходы к распознаванию лиц (идентификации) и отслеживанию лиц в видеопоследовательности и произведено сопоставление результатов работы различных методов и программных продуктов, предоставляющих разработчику встраивать возможности распознавания лиц в собственное ПО. Также были изучены требования стандартов в области биометрии и ограничения существующих алгоритмов распознавания лиц. Работы проводились на базе ФГУП НИИ «Квант».

Были проанализированы результаты Face Recognition Vendor Test (FRVT) 2010 ? всестороннего теста коммерческих средств распознавания лиц, проводимого Национальным институтом стандартизации США. Данный тест в настоящее время не имеет аналогов по количеству исследуемых характеристик и по развитию научно-методологической базы, лежащей в его основе, а также по объемам использовавшихся тестовых выборок. В тестировании в том числе участвовало и показало высокие результаты ПО Cognitec FaceVACS, на базе которого ФГУП «НИИ «Квант» были построены программные средства распознавания и отслеживания лиц в видеопотоке. ПО Cognitec FaceVACS способно обеспечить отслеживание и распознавание лиц в видеопоследовательностях в реальном времени.

Для свободно распространяимых средств, таких, например, как OpenCV, исследования показали их недостаточную точность при работе с большой выборкой лиц и сложными условиями регистрации лица.

2.3 Разработка алгоритмов и методов динамического отслеживания лиц

На рис. 2.2 приведена общая схема алгоритма функционирования системы динамического отслеживания лиц. На первом этапе выполняют подготовку галереи известных персон. Данная галерея содержит лица людей, которые должны быть известны системе. Каждое изображение человека из галереи преобразуют в специальное представление, соответствующее методам распознавания, реализованным в системе. Такими представлениями могут быть, например, вектор главных компонент, построенных по изображению лица, граф, в вершинах которого находятся особенные точки лица (уголки глаз и рта, крылья и кончик носа и т.п.). К выбранному представлению затем преобразовывают каждое входное изображение перед проведением классификации. На следующем этапе выполняют обнаружение лица на изображении, представляющем одного из людей, находящихся в галерее. Для этого может быть использован любой алгоритм детектирования лица. В самом простом случае координаты лица могут быть заданы пользователем. Далее осуществляют сегментацию обнаруженного региона, после чего выполняют его предобработку. В общем случае данный этап включает в себя нормализацию, масштабирование региона, выравнивание его, например, в соответствии с положением глаз и т.п. Целью предобработки является уменьшения влияния условий съемки (например, освещения), в которых были получены анализируемые изображения, а также ракурса и ориентации представленных лиц на качество распознавания. Последние этапы выполняют для каждого изображения, формирующего обучающую выборку.

Следующий блок осуществляет аналогичные действия по обнаружению, сегментации и предобработке для изображений, содержащих лица людей, которые никогда не будут проверяться системой. Подобное множество можно построить, например, путем искусственной генерации изображения лица из двух или более лиц реальных людей. Для получения количественной оценки степени похожести тестового и известного лица используется мера схожести, оперирующая выбранным представлением изображения лица.

На следующем этапе выполняется построение конечного правила распознавания. В общем случае для повышения устойчивости в системе классификации могут быть реализованы несколько мер схожести. После этого этапа система распознавания является настроенной и готова к обработке тестовых изображений. В режиме функционирования на вход системы поступает изображение, содержащее лицо человека, которого необходимо распознать. В этом случае задачей системы является проведение идентификации лица на входном изображении, т.е. определение, принадлежит ли оно кому-либо из галереи известных персон, и если да, то кому именно. Для этого выполняется серия сравнений входного лица с каждым лицом из галереи и принимается решение, к какому из них оно ближе в соответствии с построенным правилом распознавания. Кроме тестового, на вход также может быть подано второе изображение, тогда задачей системы является оценить похожесть двух лиц, т.е. принадлежат ли они одному и тому же человеку. Для этих целей система выполняет аналогичные действия по обнаружению, сегментации и предобработке тестового изображения и, если необходимо, второго входного изображения. После чего проводит классификацию при помощи построенного ранее правила распознавания.

Далее начинается процесс динамического распознавания лиц на данном видеофрагменте, который предварительно разделяется на последовательность кадров. Сначала происходит распознавание лица на первом кадре. На последующем кадре поиск лица начинается с его позиции на предыдущем кадре и поиска окрестности. Далее выбирается положение (часть кадра), максимизирующее сходство двух кадров. И все повторяется для последующих кадров.[16]

Размещено на http://www.allbest.ru/

Рис.2.2 Алгоритм динамического отслеживания лиц

Глава 3. Экспериментальные результаты

3.1 Результаты функционального тестирования

Разрабатываемый макет программных средств распознавания лиц был построен на инструментальных средствах компании Cognitec (Cognitec FaceVACS SDK 8.5). Ниже приведены результаты тестирования, проведенного в рамках Face Vendor Recognition Test (FRVT) 2010 на базах лиц большой размерности.

3.1.1 Описание тестовых баз лиц

LEO. База, собранная правоохранительными органами (Law EnfOrcement agencies и переданная в ФБР, также известна как FBI Photo File.)

DOS / Natural. База данных изображений с визовых документов нерезидентов. Используется для тестирования в рамках модели один-ко-многим.

DOS / HCINT. Выборка из DOS / Natural, использованная в рамках тестирования FRVT в 2002 и 2006 гг.

SANDIA. Набор фронтальных изображений лиц в высоком разрешении (цифровая фотокамера с матрицей 4 мегапикселя). Использовался в рамках тестирования FRVT 2006. Собрана Sandia National Laboratory. Подборка изображений была получена при контролируемом освещении с согласия субъектов. Проверочные изображения были подготовлены в двух режимах: при контролируемом и при случайном освещении.

Параметры изображений тестовых баз лиц приведены в таблице 3.1.

Таблица 3.1 Параметры изображений тестовых баз лиц, использовавшихся в FRVT 2010

Большинство изображений тестовых баз представлено изображениями низкого и среднего разрешения (кроме Sandia, см. выше) в формате сжатия JPEG. За исключением Sandia, расстояние между зрачками субъектов не контролировалось. Полученные изображения не соответствуют требованиям стандарта ISO на изображения для биометрии. Таким образом, большинство тестовых баз лиц предоставляют изображения, максимально приближенные к естественным условиям, что должно затруднить работу алгоритмов распознавания.

Размеры перечисленных баз изображений приведены в таблице 3.2.

Таблица 3.2 Размеры тестовых баз лиц, использовавшихся в FRVT 2010

Как видно из таблицы, большинство людей в базе представлены одним или двумя изображениями. Выборка в рамках теста FRVT 2010 производилась случайным образом по всем субъектам базы безотносительно количества представленных изображений.

На рисунке 3.1 приведен пример выборки из базы LEO.

Рис. 3.1 Выборка из базы лиц LEO

Изображение а) максимально приближено к стандартам для распознавания; на изображении b) лицо повернуто сразу по нескольким осям под углом, при котором алгоритмы распознавания обычно дают сбой, и к тому же пропорции изображения лица искажены слишком близким расстоянием съемки. Дополнительные проблемы создает неоднородное освещение и низкий контраст изображения; на изображении c) лицо не центрировано, несколько наклонено и небольшого размера по сравнению с размерами кадра, засвечено и имеет низкий контраст. Изображения b) и c) сняты с низким разрешением 240х240 (вебкамера). [17]

3.1.2. Результаты тестирования алгоритма идентификации лиц

На рисунке 3.2 приведен результат тестирования коммерческих средств на тестовых базах лиц LEO и DOS / Natural. Программные средства Cognitec показали точность 0,83 и 0,88 соответственно.

Рис. 3.2 Результаты сравнения точности распознавания лиц различными коммерческими средствами на тестовых базах лиц LEO и DOS / Natural. Программные средства Cognitec обозначены обозначены Х04, синий цвет графика

На рисунке 3.3 приведены примеры изображений лица при различных углах поворота, на рисунке 3.4 - результаты тестирования при различных углах поворота лиц.

Рис. 3.3 Изображение лица при углах поворота 0, 15, 22,5 и 45 градусов

Рис. 3.4 Зависимость величины ошибки распознавания от угла поворота головы

На рисунке 3.4 программные средства фирмы Cognitec обозначены Х02 (синий график). Из сравнения графиков для различных коммерческих средств видно, что SDK фирмы Cognitec при нулевом угле поворота головы дает очень малое значение ошибки и находится на 2 месте по точности распознавания. В целом форма графика примерно одинакова для всех средств. Для Cognitec заметные ошибки распознавания начинаются при угле поворота от ±16 градусов, что соответствует требованиям стандартов по распознаванию (угол поворота головы не более 15 градусов). [18]

3.1.3 Результаты тестирования алгоритма поиска лиц на изображениях

В данном разделе приведены результаты тестирования работы алгоритма поиска лиц на групповых изображения. Для тестирования были взяты несколько случайных изображений, найденных в интернете. Изображения содержат искажения: поворот головы в различных плоскостях, нефронтальная съемка, низкая контрастность или четкость. Изображения представлены в низком разрешении. Групповые фотографии были выбраны неслучайно, так как большое количество людей в кадре автоматически уменьшает возможный размер каждого лица и его детализацию. Кроме того, на групповых фотографиях можно одновременно зафиксировать различные углы поворота головы, а также перекрытие лиц.

Рис. 3.5 Групповая фотография с искаженным ракурсом

Параметры отслеживания лиц: минимальное расстояние между зрачками 0,01% кадра, максимальное 0,3%.

Рис. 3.6 Групповая фотография низкого разрешения со многими искажениями

Тем не менее, все лица были определены верно.

Рис. 3.7 Увеличенный фрагмент фотографии

На рис. 3.7 видно низкое разрешение исходного изображения в сочетании с очень низкой контрастностью лиц, наличием на лицах артефактов

Рис.3.8 Групповая фотография низкого разрешения и низкой четкости

Фотография содержит множество лиц с очень маленьким расстоянием между зрачками. Все лица определены корректно. Параметры: минимальное расстояние между зрачками 0,005% кадра, максимальное 0,05%

3.1.4 Результаты тестирования. Отслеживание лиц в видеопоследовательности

В режиме отслеживания выполняется отслеживание и маркирование лиц в видеопотоке без их распознавания. Отслеживание производится как для крупного, так и для общего плана видео. Дополнительно компонент способен производить отслеживание лиц для статичного изображения, не зависимо от качества последнего. В обоих режимах доступны тонкие настройки параметров распознавания. При изменении значений оператором новые настройки начинают действовать немедленно. Настройки компонента содержат два параметра: минимальное (min) и максимальное (max) расстояние между зрачками. Эти параметры определяют разрешенный диапазон размеров лица относительно размера кадра. В результате исследования были эмпирически установлены следующие зависимости:

- для отслеживания максимально возможного количества лиц при очень маленьких размерах лиц (например, на групповом снимке или на кадре, где присутствует множество людей), рекомендуется устанавливать диапазон min..max в небольшие значения, например, 0,01..0,05, что соответствует 1 % и 5 %. При увеличении верхней границы возможны ошибки распознавания областей, не являющихся лицами, как лиц. При увеличении нижней границы будут потеряны лица, для которых расстояние между зрачками оказалось меньше допустимого;

- для отслеживания лиц на крупных планах рекомендуется устанавливать большие значения min..max (больше 30 % кадра, например, 0,1..0,4). При снижении границы min возможны ошибки распознавания мелких деталей кадра как лиц;

- для смешанных планов min устанавливается небольшим, но не менее 1 %, max - как для крупных планов, например: 0,01..0,4. Приведенные значения являются оптимальными для большинства случаев, однако не гарантируют от появления ошибок распознавания.

3.1.5 Распознавание лиц в видеопоследовательности

Для успешной работы процедуры распознавания предварительно должно быть произведено обучение базы лиц на наборе портретов людей, которые должны в дальнейшем распознаваться на видео или статичных кадрах. Для обучения желательно использовать изображения, соответствующие биометрическому стандарту ISO 19794-5. Основные требования к обучающим изображениям:

- лицо фронтальное, без наклонов и поворотов (допускается отклонение до 5 градусов по каждой из трех геометрических осей);

- лицо снято при нормальной освещенности, то есть отсутствуют пересвеченные области и тени. Лицо должно быть освещено равномерно, не допускается наличие преимущественного направления освещения;

- не допускается наличие бликов на изображении лица.

В настоящей работе, ввиду сложности получения соответствующих стандарту изображений интересующих лиц также проводилось обучение компонента на изображениях, полученных из сети Интернет, а также взятых напрямую из видеокадров, содержащих крупный план лица. Последний вариант интересен также с точки зрения организации полуавтоматического обучения компонента непосредственно при распознавании видеопотока.

3.2 Результаты тестирования на больших объемах видеоданных

На рисунке 3.9 четко видно, как программа находит и отслеживает несколько лиц в видеофрагменте на среднем плане трансляции, при различном удалении лиц от камеры, положение лица во фронтальной позиции. В данном случае настройками определено учитывать все планы трансляции.

Рис.3.9 Скриншот из видеофрагмента 1

На рисунке 3.10 также определено два лица на среднем плане трансляции, но лица не во фронтальной позиции, они повернуты и наклонены, несмотря на это определение лиц в кадре проходит успешно. Тем не менее, размеры лиц в кадре недостаточны, чтобы произвести их распознавание.

Рис.3.10 Скриншот из видеофрагмента 2

На рисунке 3.11 программа распознала лицо во фронтальной позиции на крупном плане трансляции, а так как данное лицо было включено в обучающую выборку, то также был определен конкретный человек, который может быть отслежен на последующих кадрах, т.е. после распознавания данное лицо было «запомнено» для дальнейшего отслеживания.

Рис.3.11 Скриншот из видеофрагмента 3

На рисунке 3.12 распознаны лица на среднем плане трансляции, лица людей наклонены и повернуты боком, распознавание проходит верно, несмотря на значительные искажения, вызванные наклоном и поворотом лиц. В данном случае величины наклонов и поворотов значительно превышают допустимые в биометрии значения.

Рис.3.12 Скриншот из видеофрагмента 4

На рисунке 3.13 выявлена группа лиц, однако не все лица распознаны, так как этого не позволяет сделать угол наклона лица, либо дальность нахождения от камеры.

Рис.3.13 Скриншот из видеофрагмента 5

На рисунке 3.14 найдены лишь лица во фронтальном положении, а вот человека, повернутого к нам спиной, программа распознать не смогла. Также слишком мелкие лица не были найдены.

Рис.3.14 Скриншот из видеофрагмента 6

На рисунке 3.15 найдены почти все лица, несмотря на очень сложные условия освещения. Не найдено лишь лицо человека, который отвернулся от камеры, так как, по сути, на изображении лица этого человека отсутствуют все характерные точки, по которым может производиться определение лица.

Рис.3.15 Скриншот из видеофрагмента 7

На рисунке 3.16 лица выявлены вне зависимости от цвета кожи. Кроме того, два лица на заднем плане определены с использованием лишь части характерных особенностей лица, так как остальные заслоняются спортсменом на переднем плане.

Рис.3.16 Скриншот из видеофрагмента 8

На рисунке 3.17 программа распознала лицо, а так как данное лицо было включено в обучающую выборку, то также был определен конкретный человек (стоит настройка «отображать подпись»), который может быть отслежен на последующих кадрах, т.е. после распознавание данное лицо было «запомнено» для дальнейшего отслеживания. Необходимо отметить, что для обучения были использованы фронтальные или почти фронтальные изображения лиц. На данном кадре лицо развернуто практически в профиль, что сильно затрудняет распознавание. Тем не менее, программа выдала корректный результат.

Рис.3.17 Скриншот из видеофрагмента 9

Выводы по разделу

У программы, построенной на разработанном алгоритме, есть определенные преимущества:

- способность производить распознавание в реальном времени из заданного видеофайла или же из видеопотока с веб-камеры, в зависимости от произведенных настроек;

- при достаточно большом масштабе лица во фронтальной позиции достигается полностью достоверное распознавание;

- программа дает достаточно хорошие результаты даже в случае больших величин наклона и поворота лица (> 20 градусов) и при сложных условиях освещения. Требование - лицо не должно быть очень мелким;

-программа способна отслеживать множественные лица, вплоть до очень мелких, в зависимости от настроек распознавания, т.е. при точной и грамотной настройке можно отследить даже лица группы людей, находящихся в достаточном удалении от камеры, хотя распознавание личности в данных условиях невозможно.

Глава 4. Организационно-экономическая часть

4.1 Технико-экономическое обоснование объекта проектирования

В дипломном проекте разрабатывается алгоритмическое обеспечение комплекса программных средств для динамического отслеживания лиц на последовательностях кадров. Разрабатываемая система даст возможность распознавания человека, даже если он повернут спиной.

Роль и важность разработки данного алгоритма определяется постоянно возрастающей необходимостью распознавать человека по различным антропометрическим данным. Технология идентификации человека на основе изображений лиц признана наиболее приемлемой для массового применения, так как она не требует физического контакта с устройством, ненавязчива, естественна и, в потенциале, может обладать высокой надёжностью и скоростью. Существует множество аналогов данного алгоритма, но подавляющее большинство зарубежного производства.

Цели и задачи разработки алгоритма представлены в виде «дерева целей».

Размещено на http://www.allbest.ru/

Рис. 4.1 Дерево целей

4.2 Состав конструкторской группы и их должностные оклады

Для организации выполнения задачи разработки необходимо определить состав ИТР (инженерно-технических работников), участвующих в данном проекте.

В соответствии с требованиями ГОСТ для выполнения полного объема работ достаточно группы состоящей из двух человек:

1) Ведущий инженер;

2) Инженер-программист 1-й категории;

Таблица 4.1 Состав конструкторской группы и должностные оклады

Категория работающих

Количество человек

Должн. оклад руб./мес.

Ведущий инженер

1

27742,65

Инженер-программист 1-ой категории

1

26441,4

ИТОГО:

2

54184,05

Таблица 4.2 Перечень этапов для разработки алгоритма динамического отслеживания лиц

Этапы

Содержание работ, входящих в этап

Вид отчётности по законченной работе

Кол-во исполнителей, чел.

Должность

Продолжительность работы, дни

Работа компьютера, дни

1

2

3

4

5

6

7

Техническое задание

1. Постановка задачи

Запись в тетрадь

1

Ведущий инженер

1

2. Сбор исходных материалов

Обзор литературы

1

Инженер первой категории

3

3. Определение структуры входных и выходных данных

Обзор литературы и запись в тетрадь, работа на ПК

1

Инженер первой категории

3

3

4. Выбор языков программирования

Обзор литературы и запись в тетрадь

1

Инженер первой категории

2

5. Согласование и утверждение технического задания

Техническое задание

2

Ведущий инженер

2

Инженер первой категории

5

Эскизный проект

1. Предварительная разработка структуры входных и выходных данных

Техническое задание

1

Инженер первой категории

3

2. Уточнение методов решения задачи

Обзор литературы и запись в тетрадь, работа на ПК

1

Инженер первой категории

4

3

3.Разработка общего описания алгоритма решения задачи

Обзор литературы и запись в тетрадь, работа на ПК

1

Ведущий инженер

1

3

4.Разработка технико-экономического обоснования

Экономический отчет, работа на ПК

1

Инженер первой категории

5

2

5. Разработка пояснительной записки

Пояснительная записка

2

Ведущий инженер

1

Инженер первой категории

3

6.Согласование и утверждение эскизного проекта

Эскиз проекта

2

Ведущий инженер

2

Инженер первой категории

4

Технический проект

1.Уточнение структуры входных и выходных данных

Работа на ПК, запись в тетрадь

1

Инженер первой категории

2

3

2.Разработка алгоритма решения задачи

Работа на ПК

1

Ведущий инженер

2

4

3. Определение формы представления входных и выходных данных

Работа на ПК

1

Инженер первой категории

4

3

4. Разработка плана мероприятий по разработке и внедрению программ

Работа на ПК, запись в тетрадь

1

Ведущий инженер

2

3

5.Разработка пояснительной записки

Пояснительная записка

1

Ведущий инженер

3

6.Согласование и утверждение технического проекта

Комплект технической документации, работа на ПК

2

Ведущий инженер

2

3

Инженер первой категории

3

Рабочий проект

1.Программирование и отладка программы

Работа на ПК

1

Инженер первой категории

4

4

2.Разработка программных документов в соответствии с требованиями ГОСТ 19.101-77

Программные документы, технический отчет

2

Ведущий инженер

2

Инженер первой категории

6

3. Разработка, согласование и утверждение порядка и методики испытаний

Комплект технической документации, работа на ПК

1

Ведущий инженер

2

3

4.Проведение предварительных государственных, межведомственных, приёмо-сдаточных и других видов испытаний

Работа на ПК, акт испытаний

2

Ведущий инженер

3

3

Инженер первой категории

5

5. Корректировка программы и программной документации по результатам испытаний

Работа на ПК, отчет об испытаниях

1

Инженер первой категории

4

3

Внедрение

1.Подготовка и передача программы и программной документации для сопровождения и изготовления

Доклад о результатах работы, отчёт

1

Инженер первой категории

3

2.Оформление и утверждение акта о передаче программы на сопровождение и изготовление

Акт приемки-сдачи

1

Ведущий инженер

2

3.Передача программы в фонд алгоритмов и программ

Доклад о результатах работы, отчет

1

Ведущий инженер

2

ИТОГО:

90

40

4.3 Перечень работ, выполняемых в процессе разработки алгоритма динамического отслеживания лиц и программной документации

С учётом данных таблицы 4.1 составляется перечень этапов для разработки алгоритма динамического отслеживания лиц. Для определения общей продолжительности этапов необходимо учесть то, что на дипломное проектирование, учебным планом предусмотрено четыре месяца (приблизительно 90 рабочих дней).

Ведущий инженер занят в проекте 27 дней, инженер-программист занят - 63 дня.

4.4 Расчёт сметы затрат на разработку алгоритмического обеспечения комплекса программных средств для динамического отслеживания лиц

Смета затрат на разработку рассчитывается на основании данных, приведённых в таблицах 4.1 и 4.2 по следующим статьям затрат:

- затраты на материалы, используемые для разработки алгоритма;

- заработная плата (основная и дополнительная) инженерно-технических работников (ИТР);

Страховые взносы, исходя из следующих ставок:

- пенсионный фонд - 22%;

- фонд социального страхования - 2,9%;

- фонд обязательного медицинского страхования - 5,1%;

- прочие денежные расходы (100% от заработной платы разработчиков проекта);

Расходные материалы определяются исходя из объёма работ и фактических затрат. Данные по ценам на материалы формируются исходя из рыночных цен на текущий момент времени.

4.4.1 Смета затрат на основные и вспомогательные материалы

Таблица 4.3 Затраты на основные и вспомогательные материалы, используемые при работе

№ п/п

Наименование материала

Единицы измерения

Стоимость единицы материала, руб.

Количество

Общая стоимость материала, руб.

Основные материалы

1

Бумага писчая А4

Упаковка (500 лист.)

250,00

1

250,00

2

Ватман

лист

24,00

6

144,00

3

Ручка шариковая

шт.

10,00

2

20,00

4

Карандаш

шт.

15,00

2

30,00

5

Линейка

шт.

13,00

1

13,00

6

Запоминающее USB- устройство

шт.

500,00

1

500,00

7

Папка для бумаг

шт.

25,00

4

100,00

8

Скрепки

уп.

12,00

1

12,00

9

Кнопки

уп.

22,00

1

22,00

10

Картридж для принтера HP

шт.

550,00

1

550,00

11

Ластик

шт.

5,00

1

5,00

12

Штрих

шт.

45,00

2

90,00

Итого за основные материалы

1736,00

Вспомогательные материалы (10% от основных материалов)

173,6

Итого за основные и вспомогательные материалы

1909,6

Транспортно-заготовительные расходы (5% от суммы расходов на основные и вспомогательные материалы)

95,48

Итого затраты на основные и вспомогательные материалы с учетом транспортных расходов

2005,08

4.4.2 Расчет заработной платы инженерно-технических работников

Основная (тарифная) заработная плата рассчитывается как произведение дневной оплаты труда на количество дней, в течение которых разработчик занят на выполнении работ по разработке алгоритма. Количество рабочих дней в месяц принято равным 22-м дням. Количество дней работы каждого из исполнителей определяются из таблицы 4.2.

Тарифная заработная плата вычисляется по формуле

(4.1)

где: O - должностной оклад, руб./мес.;

22 - количество рабочих дней в месяц;

Т - трудоемкость по выполнению работ в этапах проекта, соответствует количеству дней затраченных одним работником при разработке проекта.

Основная (тарифная) заработная плата ведущего инженера равна:

(4.2.)

Тарифная заработная плата инженера-программиста 1-й категории равна:

(4.3.)

Все расчеты сведены в таблицу 4.4.

Таблица 4.4 Расчет заработной платы ИТР

№

Должность

Оклад, руб.

Оплата, руб./день

Продолжительность работ, дни

ИТОГО, руб.

1

Ведущий инженер

27742,65

1261

27

34047

2

Инженер программист 1-ой категории

26441,4

1201,9

63

75719,7

ИТОГО тарифная зарплата

109766,7

4

Доплаты к заработной плате(40 % от тарифной зарплаты)

43906,6

5

Основная заработная плата

153673,3

6

Дополнительная зарплата (20 % от основной)

30734,6

7

Сумма основной и дополнительной зарплаты

184407,9

4.4.3 Расчёт страховых взносов

Страховые взносы рассчитываются как доля от суммы основной и дополнительной зарплаты. Расчет производится исходя из следующих ставок:

- пенсионный фонд - 22%;

- фонд социального страхования - 2,9%;

- фонд обязательного медицинского страхования - 5,1%.

Сумма заработных плат равна 184407,9 руб. Результаты расчета представлены в таблице 4.5.

Таблица 4.5 Расчет страховых взносов

№

Наименование фонда

Ставка %

Взнос руб.

1.

Пенсионный фонд

22

40569,7

2.

Фонд социального страхования

2,9

5347,8

3

Фонд обязательного медицинского страхования

5,1

9404,8

4

ИТОГО страховых взносов:

55322,3

4.4.4 Прочие денежные расходы

Величина прочих денежных расходов РПр рассчитывается в процентном отношении от суммы основной и дополнительной заработной платы и составляет 100% ее величины: РПр = 184407,9 руб.

4.4.5 Смета затрат

Общая смета затрат приведена в таблице 4.6.

Таблица 4.6 Смета затрат на разработку алгоритма

№

Статья затрат

Сумма руб.

1

Затраты на расходные материалы

2005,08

2

Основная заработная плата

153673,3

3

Дополнительная заработная плата

30734,6

4

Страховые взносы

55322,3

5

Прочие расходы

184407,9

ИТОГО

426143,18

Вывод по разделу

В результате расчета затраты на разработку алгоритмического обеспечения комплекса программных средств для динамического отслеживания лиц определены в размере 426143,18 рублей. Главная цель разработки - это создание более совершенного алгоритма распознавания и отслеживания лиц. Данный алгоритм может быть использован в различного вида системах видеонаблюдения, а также применим для идентификации личности.

Глава 5. Безопасность и экологичность проектных решений

5.1. Цель и решаемые задачи

Основным средством для разработки алгоритмического обеспечения комплекса программных средств является применение ПЭВМ, оснащенного ЖК-дисплеем, который является основным источником негативного воздействия на здоровье. Также при работе с ПЭВМ человек может подвергаться воздействию вредных и опасных факторов, к которым могут относиться электромагнитные поля, недостаточная освещенность, шум, статистическое электричество, малый объем движений, напряжение зрительного анализатора и др.

Целью данной главы является обеспечение нормальной работоспособности и снижение воздействия вредных факторов, для чего нужно выполнять все требования по обеспечению безопасности и условий труда, а также содержать в соответствующем состоянии окружающее рабочее пространство. Следовательно, основным объектом анализа следует выбрать именно процесс и средства взаимодействия инженера с ПЭВМ, на эргономику рабочего места, а также следует обратить внимание на экологичность данной установки и факторы, воздействующие на окружающую среду, возникшие в процессе эксплуатации ПЭВМ, оргтехники, периферийный устройств находящихся в лаборатории.

5.2 Опасные и вредные факторы при работе с ПЭВМ

При работе с ПЭВМ могут возникнуть потенциально опасные и вредные факторы, воздействие которых на организм человека может принести ему вред и привести к травматизму. Основные факторы с местом их возникновения и нормами изложены в ГОСТ 12.1.003-74/80 и сведены в таблицу 5.1.

Таблица 5.1 Опасные факторы и их действие на организм человека

Наименование фактора

Действия на организм человека

Гипокинезия

Заболевания опорно-двигательного аппарата, ожирение, нервно-психическая перегрузка, формирование сердечно-сосудистой патологии

Монотонность труда

Нервно-психическая перегрузка

Повышенный уровень статического электричества

Электрический удар

Повышенные уровни электромагнитного излучения.

Утомляемость, изменение кровяного давления, замедление пульса, выпадение волос, ломкость ногтей, сердечно-сосудистые заболевания

Пониженная или повышенная влажность воздуха рабочей зоны, пониженная или повышенная подвижность воздуха рабочей зоны

Перегрев или переохлаждение организма, ОРЗ, ревматические заболевания, переохлаждение организма, ОРЗ, ревматические заболевания

Повышенный уровень шума

Нарушение работы слухового аппарата, нервно-психические

Повышенный или пониженный уровень освещенности

Ухудшение зрения, травматизм

Повышенный уровень блесткости

Неравномерность распределения яркости в поле зрения

Повышенная яркость светового изображения

Повышенный уровень пульсации светового потока

Повышенное значение напряжения в электрической цепи, замыкание которой может произойти через тело человека

Электрический удар, электротравма

Напряжение внимания, интеллектуальные нагрузки, эмоциональные нагрузки, статистические нагруз...

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены