Моделирование подсистемы идентификации

Анализ существующих систем в области идентификации изображений, их применение. Характеристика функциональной структуры подсистемы. Анализ выбора нейронной сети, моделирование подсистемы идентификации. Разработка базы сигналов и создание нейронной сети.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 02.08.2015
Размер файла 689,4 K

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.

Размещено на http://www.allbest.ru/

Содержание

Введение

1. Анализ предметной области

1.1 Общие сведения

1.2 Применение систем идентификации изображений

1.3 Анализ существующих систем в области идентификации изображений

2. Постановка задачи

3. Структура подсистемы идентификации

3.1 Характеристика функциональной структуры подсистемы

3.2 Разработка структуры подсистемы идентификации изображений

4. Анализ выбора нейронной сети

5. Моделирование подсистемы идентификации

5.1 Разработка базы сигналов и создание нейронной сети

5.2 Модель подсистемы идентификации сигналов

6. Тестирование нейронной сети

Заключение

Библиографический список

Введение

В настоящее время всё более широкое распространение получают биометрические системы идентификации личности. Распознавание человека по изображению лица выделяется среди биометрических систем тем, что, во-первых, не требуется специальное или дорогостоящее оборудование, а, во-вторых, не нужен непосредственный контакт с устройством.

В общем случае задача идентификации личности состоит из двух этапов. Вначале определяется месторасположения лица на изображении, а после этого начинается идентификация лица. Реализация этих этапов во многом зависит от области применения системы распознавания. Например, есть системы для нахождения личности в большой базе данных с последующим выводом списка наиболее похожих людей. Также существует класс систем для идентификации определённого человека в режиме реального времени (охранные системы, системы разграничения доступа)

На данный момент проблеме распознавания человека по изображению лица посвящено множество работ, однако в целом она ещё далека от решения. Основные трудности состоят в том, чтобы распознать человека по изображению лица независимо от ракурса, положения, условий освещённости и т.д. Для решения задачи распознавания лиц были предложены различные методики, среди которых можно выделить подходы, основанные на нейронных сетях. Особого внимания заслуживает подход к распознаванию с помощью обобщенно-регрессионной нейронной сети (GRNN).

Актуальность подсистемы заключается в том, что в настоящее время биометрические системы идентификации человека приобретают всё большее распространение. Их главные преимущества перед традиционными способами идентификации следующие: они основываются на уникальных биологических признаках, а, следовательно, их чрезвычайно сложно подделать. Также, очевидно удобство их использования -- они не требуют от человека обладания какими-либо специальными карточками, ключами и т.д.

Существует несколько способов идентификации по биометрическим признакам. На данный момент лидерами являются идентификация по отпечаткам пальцев и сетчатке глаза. Другие виды идентификации (по лицу или голосу) менее развиты. Они не столь надёжны по своей природе (проще для фальсификации), а поэтому их использование возможно лишь в некоторых областях.

Актуальность задачи распознавания человека по изображению его лица, а также ее предпочтительность по сравнению с другими средствами идентификации личности (например, идентификация по отпечаткам пальцев или по сетчатке глаза) заключается в том, что нет необходимости непосредственного контакта системы и человека.

Главные трудности, которые необходимо преодолеть при идентификации человека по лицу -- это обеспечения независимости работы системы от таких факторов, как освещённость, ракурс, а также возрастные изменения. Многие методы включают в себя большой и затратный этап предобработки. Однако без понимания некой общей семантики изображения сложно сделать это правильно.

Именно поэтому перспективным выглядит направление нейросетевых методов. Принцип работы таких методов основан на принципе работы человеческого мозга. Они с помощью обучения позволяют находить взаимосвязи между отдельными признаками изображения и выполнять распознавание с достаточной точностью.

идентификация изображение нейронный сеть

1. Анализ предметной области

1.1 Общие сведения

Автоматическая обработка визуальной информации является одним из важнейших направлений в области информационных технологий. Интерес к проблемам компьютерной обработки определяется расширением возможностей, как самих компьютерных систем, так и разработкой новых технологий обработки, анализа и идентификации различных видов изображений. При этом для создания эффективных технологий разрабатываемые методы и алгоритмы должны удовлетворять ряду требований по быстродействию и точности.

Разработка компьютерных систем обнаружения и распознавания объектов на изображениях является довольно актуальной проблемой. Актуальность проявляется вследствие необходимости повышения качества и уменьшения рутинной работы человека, а также с возможностью усовершенствования алгоритмов обработки изображений в связи с развитием компьютерной техники. Формирование признаков - это первый этап в любой системе распознавания образов. Качество всей системы оказывается жестко зависимо от того, насколько хорошо подобраны признаки для описания изображения.

Распознавание образов и их идентификация - сложная задача, как с научной точки зрения, так и в приборном исполнении. Сейчас идентификация изображений применяется во многих сферах деятельности людей. Она используется для подтверждения подлинности документов и денежных знаков, для распознавания личности, для повышения достоверности и оперативности контроля продукции на промышленных предприятиях и т.д.

1.2 Применение систем идентификации изображений

Распознавание, классификация и идентификация изображений -- одно из наиболее актуальных направлений исследования теоретической информатики. Тематика распознавания имеет приложения во многих областях научных, технических, промышленных исследований, а также в области компьютерных и производственных технологий.

1.2.1 Идентификация личности по фотографии

Идентификация человека по изображению лица (рисунок 1) является одной из самых актуальных технологий компьютерного зрения благодаря востребованности в области систем безопасности и поиска фотографий в сети Интернет.

Рисунок 1 - Идентификация личности по фотографии.

Список применений включает в себя:

- Определение личности по фотографии (например, сравнение фотографии человека с базой преступников)

- Контроль доступа на охраняемые объекты

- Подтверждение личности по биометрическому паспорту

- Поиск человека в видеоархиве системы видеонаблюдения

- Автоматическая аннотация людей на фотографиях и в видео в социальных сетях.

Различают два сценария работы алгоритма идентификации:

- На вход алгоритму подается изображение неизвестного человека (называемое «тестовым изображением»), и галерея изображений известных людей. Требуется определить, присутствует ли человек с тестового изображения в галерее, и если да - то определить его личность.

- На вход подается два изображения - одно тестовое и одно известного человека (например, фотография из биометрического паспорта), которые необходимо сравнить друг с другом и определить, запечатлен ли на них один и то же человек, или это два разных человека. Данный сценарий называется «верификацией» или «подтверждением личности».

В целом оба сценария сводятся друг к другу. Однако в зависимости от используемого сценария зачастую накладываются различные требования к алгоритму идентификации.

Большинство алгоритмов идентификации человека по лицу имеют одинаковую схему работы:

- Выделение лица человека на изображении (Face Detection)

- Выделение антропометрических точек на лице (Facial Features Detection). Чаще всего на этом этапе ограничиваются выделением глаз человека.

- Нормализация изображения лица, включающая в себя приведение лица к стандартному размеру, устранение наклона головы и коррекция цвета лица. (Face normalization)

- Вычисление дескриптора лица. В отличие от широко распространённого представления об устройстве алгоритмов идентификации, расстояния между разными антропометрическими точками на лице человека используется редко. Вместо расстояний вычисляются специальные локальные признаки, характеризующие, например, текстуру определенных областей на лице. (Feature extraction and descriptor computation)

- Сравнение дескрипторов разных лиц (Verification)

Часто все шаги алгоритма, начинающиеся с подачи фотографии на вход и заканчивающиеся вычислением дескриптора, в совокупности называют «Enrollment», понимая под этим занесение нового изображения в базу.

Таким образом, алгоритм идентификации состоит из нескольких последовательно применяемых алгоритмов, и общая точность идентификации зависит от точности работы каждого этапа. Технические детали реализации каждого шага обычно являются коммерческой тайной компаний, и если и описываются, то лишь в очень общем виде.

Основными характеристиками алгоритмов идентификации являются скорость вычисления дескриптора, время сравнения дескрипторов и точность идентификации.

Точность идентификации зависит от многих факторов: разрешения изображения (точнее размера лица на изображении), ракурса съёмки (фронтальный или под углом), освещения, мимики, четкости изображения, размера галереи. В некоторых идеальных условиях точность распознавания может быть даже выше, чем у человека, и достигать точности идентификации по радужке глаза, но в большинстве случаев она значительно ниже, что пока исключает некоторые возможные применения.

1.2.2 Идентификация изображений по содержательным критериям

К области поиска изображений по содержательным критериям в настоящее время возрастает интерес, связанный с ограниченностью методов, основанных исключительно на категоризации метаданных, а также растущим потенциалом её применимости.

Потенциальные области применения алгоритмов поиска по содержанию:

- Поиск изображений в сети Интернет

- Каталогизация изображений произведений искусства

- Организация работы с архивами фотографических снимков

- Организация каталогов розничной продажи товаров

- Медицинская диагностика заболеваний

- Предотвращение преступлений и беспорядков

- Военно-оружейное применение

- Вопросы контроля над распространением интеллектуальной собственности

- Получение информации о местоположении удаленных зондов и географическое позиционирование

- Контроль за содержимым массивов изображений

В настоящий момент алгоритмы категоризации и поиска в текстовых данных позволяют довольно эффективно обращаться с описанными изображениями по метаданным, однако такой подход требует ручного описания каждого изображения в базе человеком. Это совершенно непрактично, в особенности в применении к большим базам или изображениям, создаваемым автоматически (например, камерами видеонаблюдения). Плюс ко всему есть далеко не нулевая вероятность упустить одно из целевых изображений поиска из-за многозначности или синонимии.

1.3 Анализ существующих систем в области идентификации изображений

На сегодняшний день в специальной научно-технической литературе по данному вопросу раскрывается различный подход для решения задачи по автоматической идентификации. Причиной, послужившей для разработки таких систем, являются трудности, которые обусловлены большими объемами обрабатываемых данных и ограниченными возможностями зрительного восприятия человека. Перспективным способом преодоления этих трудностей является автоматизация обработки оптических изображений, позволяющая существенно сократить объемы рутинных и трудоемких работ по преобразованию используемых изображений, повысить объективность обнаружения используемых визуальных признаков изучаемых изображений, представить исходные данные и результаты обработки в форме, наиболее удобной для зрительного восприятия человека.

2. Постановка задачи

Даны изображения лица, хранящиеся в растровых графических файлах формата jpg. Разрешение картинки не превышает 768*1366 пикселей; фон светлый; степень зашумлённости достаточно слабая; степень искажения средняя; расположение и поворот лица произвольны.

Ставится задача классификации, распознавания и целочисленной идентификации личности по изображению лица.

На вход подается изображение неизвестного человека (называемое «тестовым изображением»), и галерея изображений известных людей. Требуется определить, присутствует ли человек с тестового изображения в галерее, и если да - то определить его личность.

Точность идентификации зависит от многих факторов: разрешения изображения (точнее размера лица на изображении), ракурса съёмки (фронтальный или под углом), освещения, мимики, четкости изображения, размера галереи.

3. Структура подсистемы идентификации

3.1 Характеристика функциональной структуры подсистемы

Обработка изображений состоит из следующих этапов:

1) ввод изображения в систему идентификации личности по изображению лица;

2) в подсистеме анализа изображения происходит обработка растра с целью подавления шумов, а так же устранение типичных искажений изображения;

3) в подсистеме анализа изображения происходит выделение локальных особенностей;

4) в подсистеме распознавания происходит преобразование абсолютных параметров специальных точек к относительным параметрам для предотвращения влияния параллельного переноса и поворота лица при сканировании изображения;

5) распознавание лица по базе с существующими лицами происходит на основе относительных параметров каждой точки для каждого хранящегося в базе лиц.

3.2 Разработка структуры подсистемы идентификации изображений

Модель предметной области - это наши знания о предметной области. Знания могут быть выражены формально при помощи каких-либо средств. В качестве таких средств могут выступать текстовые описания предметной области, наборы должностных инструкций, правила ведения дел в компании и т.п.

Модель предметной области подсистемы идентификации изображений представлена на диаграмме вариантов использования.

Диаграммы вариантов использования описывают функциональное назначение подсистемы или то, что подсистема должна делать. Разработка диаграммы преследует следующие цели:

- определить общие границы и контекст моделируемой предметной области;

- сформулировать общие требования к функциональному поведению проектируемой подсистемы;

- разработать исходную концептуальную модель подсистемы для ее последующей детализации в форме логических и физических моделей;

- подготовить исходную документацию для взаимодействия разработчиков системы с ее заказчиками и пользователями.

Суть диаграммы вариантов использования состоит в следующем. Проектируемая подсистема представляется в виде множества сущностей или актеров, взаимодействующих с подсистемой с помощью вариантов использования. При этом действующим лицом называется любая сущность, взаимодействующая с подсистемой извне. Это может быть человек, техническое устройство, программа или любая другая подсистема, которая может служить источником воздействия на моделируемую подсистему так, как определит сам разработчик. Вариант использования служит для описания сервисов, которые подсистема предоставляет актеру. Диаграмма вариантов использования (приложение А) может дополняться пояснительным текстом, который раскрывает смысл или семантику составляющих ее компонентов.

Структура разрабатываемой системы должна состоять из модулей

(приложение Б). Модульность системы позволит без особых трудностей заменять реализацию того или иного алгоритма или вовсе заменить реализацию одного алгоритма совершенно иным без внесения существенных изменений в структуру системы в целом. Такая особенность системы идентификации человека по изображению лица просто необходима, поскольку все системы, выполняющие распознавание лиц, часто применяются в различных условиях и для получения наилучшего результата, в поставленных условиях, может потребоваться заменить какой либо компонент системы более подходящим.

Подсистема распознавания лиц (Image sender) предназначена для захвата видеоизображения с видеокамеры, поиска всех лиц, отобразившихся на текущем кадре при помощи алгоритма Виолы-Джонса, и отправки подсистеме идентификации фрагментов кадра, соответствующих найденным лицам. Взаимодействие с подсистемой идентификации должно производиться посредством обмена сетевыми пакетами. В первую очередь должно установиться соединение. Когда соединение установлено, подсистема распознавания должна отправить в первом пакете информацию об изображении (размер, тип: кадр, лицо), а во втором - само изображение.

Таким образом, можно сделать вывод, что решения, принятые на каждом этапе разработки подсистемы, будут сказываться на дальнейших этапах. Поэтому особую роль играет принятие правильных решений на ранних ступенях разработки.

4. Анализ выбора нейронной сети

Нейронные сети успешно применяют в решении многих проблем распознавания образов: распознавание символов, распознавание объектов, и многих других. Проблема обнаружения образа лица очень трудна из-за большого разнообразия искажений, таких как различное выражение лица, условия съемки и т. д. Преимущество использования нейронных сетей для обнаружения лица -- обучаемость системы для выделения ключевых характеристик лица из обучающих выборок.

В настоящее время наиболее часто в задачах распознавания и идентификации изображений используют классические нейросетевые архитектуры (многослойный персептрон, сети с радиально-базисной функцией и др.), но, как показывает анализ данных работ, применение классических нейросетевых архитектур к данной задаче является неэффективным по следующим причинам:

– к данной задаче обычно применяется ансамбль нейронных сетей (2-3 нейронные сети, обученные с различными начальными значениями синаптических коэффициентов и порядком предъявления образов), что отрицательно сказывается на вычислительной сложности решения задачи и соответственно на времени выполнения;

– как правило, классические нейросетевые архитектуры используются в совокупности с вспомогательными методами выделения сюжетной части изображения (сегментация по цвету кожи, выделение контуров и т. д.), которые требуют качественной и кропотливой предобработки обучающих и рабочих данных, что не является эффективным;

– нейросетевые архитектуры являются крайне чувствительными к влиянию различных внешних факторов (изменения условий съемки, присутствие индивидуальных особенностей на изображении, изменение ориентации).

Дополнительно возникают трудности применения традиционных нейронных сетей к реальным задачам распознавания и классификации изображений.

Во-первых, как правило, изображения имеют большую размерность, соответственно вырастает размер нейронной сети (количество нейронов и т. п.). Большое количество параметров увеличивает вместимость системы и соответственно требует большей обучающей выборки, что увеличивает время и вычислительную сложность процесса обучения.

Во-вторых, недостаток полносвязной архитектуры -- то, что топология ввода полностью игнорируется. Входные переменные могут быть представлены в любом порядке, не затрагивая цель обучения. Напротив, изображения имеют строгую 2-мерную местную структуру: переменные (пиксели), которые являются пространственно соседними, чрезвычайно зависимы.

Интеллектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Традиционные подходы к решению этих проблем не всегда дают необходимую гибкость и много приложений выигрывают от использования нейросетей.

Искусственная нейронная сеть (ИНС) - сеть, состоящая из искусственных нейронов. В целом, нейронная сеть - это система, способная изменять свою структуру под воздействием внешних факторов. Искусственную сеть обучают по входным данным. В ходе обучения внутренние параметры искусственной нейронной сети подстраиваются под входные данные, что позволяет выделять закономерности в данных или решать задачи прогнозирования, классификации и кластеризации.

Для подсистемы будет использоваться вероятностная нейронная сеть. Вероятностная нейронная сеть была разработана Дональдом Спехтом. Данная сеть известная своей способностью обучаться на ограниченных наборах данных, причем для обучения нейросети достаточно однократного предъявления тренировочного набора. Вероятностные нейронные сети разделяют данные на указанное количество выходных категорий. Вероятностная нейронная сеть зачастую способна работать уже после предъявления ей всего двух примеров из тренировочного набора, поэтому тренировка может осуществляться поэтапно.

Выходы сети можно интерпретировать, как оценки вероятности принадлежности элементу к определенному классу. Вероятностная сеть учится оценивать функцию плотности вероятности, ее выход рассматривается как ожидаемое значение модели в данной точке пространства входов. Это значения связано с плотностью вероятности общего распределения входных и выходных данных.

5. Моделирование подсистемы идентификации

5.1 Разработка базы сигналов и создание нейронной сети

Идентификации личности по изображению лица является ключевой задачей для целого ряда актуальных приложений: контроля доступа и перемещений людей, борьбы с терроризмом, документарного контроля, сортировки служебных и личных видеоархивов. В общей постановке проблема создания автоматизированной компьютерной программы, сочетающей быструю обработку видеоизображений с надежным нахождением лиц на видеоизображении и их идентификацией, чрезвычайно сложна. Трудности связаны с возможными изменениями масштабов изображения лица, его ракурса и режима освещения, окружающего фона и целого ряда других факторов. Однако, возможность успешного решения таких задач доказывает то, что проблему идентификации по изображению лица вполне успешно решает обычный человек.

Идентификация изображения будет осуществляться с помощью вероятностной нейронной сети, смоделированной в среде Matlab 2012b.

5.2 Модель подсистемы идентификации сигналов

Для распознавания изображения взята вероятностная сеть grnn, которая устроена аналогично вероятностной нейронной сети (PNN), но она предназначена для решения задач регрессии, а не классификации. GRNN-сеть обучается почти мгновенно, но может получиться большой и медленной (хотя здесь, в отличие от PNN, не обязательно иметь по одному радиальному элементу на каждый обучающий пример, их число все равно будет большим).

В разработанную нейронную сеть добавим дополнительные выходы для просмотра вероятности распознавания.

Входные данные при моделировании нейронной сети задаем с помощью программы загрузки изображений:

Рисунок 2 - Программа загрузки изображений

Данные изображения загружены успешно.

Рисунок 3 - Изображение №1

Рисунок 4 - Изображение №2

Рисунок 5 - Изображение №3

Рисунок 6 - Данные изображения содержат двумерный массив

Создаем Simulink-модель подсистемы распознавания сигналов, которая представлена на рисунке 7

Рисунок 7 - Simulink-модель подсистемы распознавания изображения

После чего осуществляем моделирования 3-х различных сигналов, для образования массивов x1,x2,x3, необходимых для обучения нейронной сети (рис.8).

Рисунок 8 - Загруженные массивы x1,x2,x3

Рассмотрим подробнее блоки, из которых состоит данная модель:

1) Блок Constant

Блок предназначен для установки констант, применяемых при моделировании. Он имеет один параметр настройки -- Constant value, который может быть введен и как вектор-строка из нескольких элементов по общим правилам MATLAB. В данном случае данное значение принимаем за единицу.

2) Подсистема Source

Подсистема Sourse изображена на рисунке 9

Рисунок 9 - Подсистема Sourse

Данная подсистема состоит из таких блоков как:

– Signal From Workspace;

– Data Type Conversion;

– Multiport Switch;

– Scope;

– To Workspace.

В таблице 1 представлено описание блоков подсистемы Sourse.

Таблица 1 - Описание основных блоков подсистемы Sourse

Название

Описание

Параметры блока

Заданные значения

Signal From Workspace

Данный блок используется для того, чтобы импортировать полученный сигнал в среду Matlab.

1)Signal;

2)Sample time;

3)Samples per frame.

1)сигнал -а1,а2,а3;

2) шаг модельного времени - 1;

3)образцы для каждого кадра - 1.

Data Type Conversion

Блок Data Type Conversion преобразует тип входных данных и масштаб вывода.

1)Sample time;

2)Integer rounding mode;

3)Output data type.

1) шаг модельного времени - 1;

2)целочисленное округление режима - floor;

3)тип выходных данных - наследовать с помощью обратного распространения.

Multiport Switch

В зависимости от результата подсистем переключает сигнал аргумента функции.

1)Data port order;

2)Number of data ports;

3)Data port for default case;

4)Diagnostic for default case;

5)Sample time;

6)Integer rounding mode.

1)задаваемый порт данных - один на основе смежных;

2)количество портов передачи данных - 3;

3)порт данных для случая по умолчанию - последний порт данных;

4)диагностика для случая по умолчанию - ошибка;

5) шаг модельного времени - (-1);

6)режим округления до целого- floor;

Scope

Строит графики исследуемых сигналов в функции времени. Позволяет наблюдать за изменениями сигналов в процессе моделирования.

Number of axes

Число входов - 3

To Workspace

Блок записывает данные, поступающие на его вход, в рабочую область Matlab.

1)Variable name;

2)Limit data points to last;

3)Decimation;

4)Sample time;

5)Save format.

1)имя переменной - Y1,Y2,Y3;

2)предельные значения последних точек данных - inf;

3)истребление - 1;

4)шаг модельного времени - (-1);

5) cохранение формата - array.

3) Подсистема Transform

Подсистема Transform представлена на рисунке 10

Рисунок 10 - Подсистема Transform

В таблице 2 представлено описание блоков подсистемы Transform.

Таблица 2 - описание основных блоков подсистемы Transform

Название

Описание

Параметры блока

Заданные значения

Zero-Order Hold

Блок используется для аналого-цифрового преобразования входного сигнала.

Sample time

Шаг модельного времени - 0,00049

Buffer

Блок накапливает цифровые значения.

1)Output buffer size;

2)Buffer overlap;

3)Initial conditions.

размер выходного буфера - 1024;

буфер перекрытия - 0;

начальные условия - 0.

Transpose

Данный блок трансформирует матрицу-столбец в матрицу-строку.

-

-

4) Блок To Workspace

Блок To Workspace записывает данные, поступающие на его вход, в рабочую область Matlab. Параметр данного блока представлен в таблице 3.

Таблица 3 - параметры блока To Workspace

Параметры блока

Заданные значения

1)Variable name;

2)Limit data points to last;

3)Decimation;

4)Sample time;

5)Save format.

1)имя переменной - х1,х2,х3;

2)предельные значения последних точек данных - inf;

3)истребление - 1;

4)шаг модельного времени - (-1);

5)cохранение формата - array.

Для создания сети grnn, воспользуемся следующей программой:

Рисунок 11 - Программа для создания сети grnn

Т=[ 1 2 3] где

1 - изображение №1;

2 - изображение №2;

3 - изображение №3.

В результате выполнения программы нейронная сеть была построена и обучена.

После чего создаем модель для распознавания сигналов и модель выбранной нами нейронной сети, которая размещается на модели распознавания изображений. Данная модель представлена на рисунке 12, 13 и 14.

Рисунок 12 - Модель распознавания изображения №1

Рисунок 13 - Модель распознавания изображения №2

Рисунок 14 - Модель распознавания изображения №3

В данной главе была разработана подсистема распознавания сигналов, разработаны источники сигналов разной формы, обучена нейронная сеть и выполнено распознавание сигналов.

6. Тестирование нейронной сети

Для проверки правильности обучения построенной нейронной сети, предусмотрены специальные средства ее тестирования. В сеть вводится некоторое изображение, которое, как правило, не совпадает ни с одним из входных изображений примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети.

Тестирование обученной сети может проводиться либо на одиночных входных изображениях, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар (<вход>, <требуемый выход>).

Для того чтобы проверить работу системы, было осуществлено тестирование (рис. 15) для совершенно другого изображения, а именно изображение №2 было зашумлено.

Рисунок 15 - Тестирование нейронной сети

В итоге модель распознавания изображения показала 100% результат, что говорит об универсальности данной подсистемы.

Заключение

Сущность идентификации - сопоставление признаков объекта и отображений этих признаков. Необходимым условием идентификации является метод сравнения - одновременное изучение двух или нескольких объектов с целью установления того, что их объединяет или различает. Анализ различий в процессе отождествления очень важен. В соответствии с положениями диалектической логики, допуская возможность отождествления объекта, не следует забывать о его постоянных изменениях.

В заключение хочется отметить, что обойтись без биометрической идентификации, если необходимо получить позитивные, надежные и неопровержимые результаты проверки, невозможно. Ожидается, что в самом ближайшем будущем пароли и ПИН-коды уступят место новым, более надежным средствам авторизации и аутентификации.

Библиографический список

1. Айфичер Э., Джервис Б. Цифровая обработка сигналов. Практический подход. М.: "Вильяме", 2004. - 992 с.

2. Варламов А.Д., Шарапов Р.В. Поиск визуально подобных изображений на основе машинного обучения// Искусственный интеллект, 2006.

3. Вигерс К. Разработка требований к программному обеспечению. - М.: Издательско-торговый дом "Русская редакция", 2004. - 576 с

4. Гвоздева Т.В. Проектирование информационных систем: учебное пособие. - Ростов н/Д: Феникс, 2009.

5. Голицына О. Л., Максимов Н. В., Попов И. И. Базы данных: Учебное пособие. - М.: ФОРУМ: ИНФРА-М, 2006. 352 с.

6. Гонсалес Р., Вудс Р.Цифровая обработка изображений. М -Техносфера, 2006 1072с

7. Калянов Г.Н. CASE-технологии. Консалтинг в автоматизации бизнес-процессов. - 3-е изд. - М.: Горячая линия - Телеком, 2007. - 320

8. Пименов В.Ю. Простые методы поиска изображений по содержанию // Российский семинар по Оценке Методов Информационного Поиска. Труды РОМИП 2010. (Казань, 15 октября 2010г.) - Казань, 2010. С.69-79.

9. Садыхов Р.Х., Дудкин А.А. Объединенный институт проблем информатики НАН Беларуси, Минск, Беларусь Обработка изображений и идентификация объектов в системах технического зрения

10. Слесарев А.В., Мучник И.Б., Михалев Д.К., Крайнов А.Г., Котляров Д.И., Беляев Д.В. Яндекс на РОМИП 2010: Поиск похожих изображений и дубликатов // Российский семинар по Оценке Методов Информационного Поиска. Труды РОМИП 2010. - Казань, 2010. С. 148-153.

11. Патент 2302656 Российская Федерация. Системы идентификации изображений / УЭНДТ Бэрри М., УИТТИГ Бенедикт, ЛЭКОУС Мира К., ЗАРМ Гэри Л.

12. Современные биометрические системы [Электронный ресурс]: Система идентификации по изображениям лица ПАПИЛОН-Полифейс - режим доступа: http://www.papillon.ru/rus/229/?PHPSESSID=skmzutryatlqb

13. www.comprice.ru [Электронный ресурс]: Концепция идентификации изображений - режим доступа: http://www.comprice.ru/articles/detail.php?ID=40060

14. www.consultant.ru [Электронный ресурс]: Уголовный кодекс Российской Федерации - режим доступа: http://www.consultant.ru/popular/ukrf/

15. www.consultant.ru [Электронный ресурс]: Гражданский кодекс Российской Федерации - режим доступа: http://www.consultant.ru/popular/gkrf1/

16. www.consultant.ru [Электронный ресурс]: Конституция Российской Федерации - режим доступа: http://www.consultant.ru/popular/cons/

17. www.consultant.ru [Электронный ресурс]: Кодексы и наиболее востребованные законы - режим доступа: http://www.consultant.ru/popular/

18. www.itspecial.ru [Электронный ресурс]: Угрозы информационных систем - режим доступа: http://www.itspecial.ru/ugrozy_informacionnyh_sistem.html

19. Виртуальный компьютерный музей [Электронный ресурс]: Основные факторы, определяющие технологическую безопасность информационных систем - режим доступа: http://www.computer-museum.ru/histsoft/ji97061.html.

Размещено на Allbest.ru

...

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.