СТВОРЕННЯ СИСТЕМИ РОЗПІЗНАВАННЯ ОБЛИЧ НА ОСНОВІ ВЕЙВЛЕТ-ПЕРЕТВОРЕНЬ

Олексій Бичков, Катерина Меркулова, Єлизавета Жабська

Анотація


Статтю присвячено створенню системи розпізнавання облич на основі вейвлет-перетворень. У ході
аналізу було розроблено математичну модель обробки зображень на основі методів з використанням вейвлет-пере-
творень (на основі вейвлетів Добеші, симлетів, койфлетів, біортогональних і зворотних біортогональних вейвлетів,
вейвлетів Габора та лог-Габора), формування вектору ознак за допомогою обчислення статистичних характеристик
зображення (середнього значення інтенсивності, середньо-квадратичного відхилення, дисперсії, ентропії) та кла-
сифікації зображень з використанням метрик відстаней між векторами (відстань Міньковського, Мангеттенська
відстань, відстань Евкліда, відстань Брея-Кертіса, відстань Канберра, кореляційна відстань, косинусна відстань та
квадратична відстань Евкліда). Оскільки головним показником працездатності системи є точність розпізнавання,
яку вона демонструє, було виявлено необхідність проведення експериментальних досліджень для вибору методів,
які доцільно використовувати в системі. Результати досліджень показали, що найбільш точних результатів розпіз-
навання система досягає при використанні вейвлет-перетворення на основі зворотних біортогональних вейвлетів
для обробки зображення, методу обчислення середньо-квадратичного відхилення для формування вектору ознак
та Мангеттенської відстані в якості метрики класифікації зображень. За таких параметрів створена система досягла
точності розпізнавання з показником 97,5 %. Тема дослідження є актуальною, оскільки системи розпізнавання облич
повинні гарантувати високу точність та надійність в умовах зростання кількості порушень безпеки і шахрайства
у сучасному інформаційному просторі. Новизна роботи полягає у вибору та застосуванні комбінації обраних методів
на кожному з етапів роботи системи. Дослідження має практичну значимість, оскільки його результатом є система
з високою точністю розпізнавання.


Ключові слова


розпізнавання облич; вейвлет-перетворення; ідентифікація особи; обробка зображень; класифікація зображень

Повний текст:

PDF

Посилання


Bagrov N.U., Konushin A.S., Konushin V.S. Face Recognition With Low False Positive Error Rate. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2019. Volume XLII-2/W12, p. 11–15.

Magdin M., Benko L., Koprda S. A Case Study of Facial Emotion Classification Using Affdex. Sensors. 2019. 19, 2140, 17 p.

Wagner A., Wright J., Ganesh A., Zhou Z., Mobahi H., Ma Yi. Toward a Practical Face Recognition System: Robust Alignment and Illumination by

Sparse Representation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. 34(2), p. 372–286.

Gurel C. Development of a Face Recognition System. Masters’s thesis. Ankara, 2011.

Lenc. L. Face Recognition under Real-world Conditions. Doctor’s thesis. Plzeň, 2014.

Ivanovas E., Navakauskas D. Development of Biometric Systems for Person Recognition: Biometric Feature Systems, Traits and Acquisition. Electronics and Electrical Engineering. 2010. 5(101), p. 87–90.

Merkulova K.V., Koliada Yu.Ye. Matematicheskaia model biometricheskoi identifikatsii dlia sistem zashchity informatsii [Mathematical model of

biometric identification for information security systems]. Naukovi pratsi Donetskoho natsionalnoho tekhnichnoho universytetu. Seriia: Obchys-

liuvalna tekhnika ta avtomatyzatsiia – Scientific works of Donetsk National Technical University. Series: Computing and Automation. 2017. 1 (30), p. 81–100.

Jyothi R. L., Abdul Rahiman M. Comparative Analysis Of Wavelet Transforms In The Recognition Of Ancient Grantha Script. International Journal of Computer Theory and Engineering. 2017. Vol. 9, No. 4, p. 235–241.

Merkulova K.V. & Zaporozhets K.V. Primienenie metoda sluchainykh markovskikh polei dlia raspoznavaniia tekstur izobrazhenii pri metallohraficheskom analize [Application of the random Markov field method for image texture recognition in metallographic analysis]. Visnyk Prydniprovskoi derzhavnoi akademii budivnytstva ta arkhitektury (ISSN 2312–2676) – Bulletin of Prydniprovs’ka State Academy of Civil Engineering and Architecture (ISSN 2312–2676). 2015. 12, p. 71–78.

Sridhar S., Rajesh Kumar P., Ramanaiah K.V. Wavelet Transform Techniques For Image Compression – An Evaluation. I.J. Image, Graphics and Signal Processing. 2014. 2, p. 54–67.

Daubechies I. Orthonormal bases of compactly supported wavelets. Communications on Pure and Applied Mathematics. 1988. 41(7), p. 909–996.

Elmahdi R., Amed N., Baker Amin M., Hamza A., Babaker S., Abd Elgylani W. Comparative Study Between Daubechies and Coiflets Wavelet Decom-

position Mother Families in Feature Extraction of BCI Based on Multiclass Motor Imagery Discrimination. Journal of Clinical Engineering. 2019.

(1), p. 41–46.

Cohen A., Daubechies I., Feauveau J.C. Biorthogonal bases of compactly supported wavelets. Communications on Pure and Applied Mathematics.

45(5), p. 485–500.

Merkulova K., Zaitseva E., Kovalchuk A. Font visual classification system using neural networks. Problems of information technologies. 2018.

№ 2(24), p. 67–78.

Gabor D. Theory of communication. J. IEE London 93. 1946. P. 429–457.

Field D.J. Relation between the statistics of natural images and the response properties of cortical cells. J. Opt. Soc. Am. A. 1987. 4(12),

p. 2379–2394.




DOI: https://doi.org/10.35546/2313-0687.2019.26.32-43

Посилання

  • Поки немає зовнішніх посилань.