Система неадаптивного распознавания образов в условиях ограниченного количества информации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Рожков, Максим Михайлович

• Рожков, Максим Михайлович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Рожков, Максим Михайлович

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР ЗАДАЧИ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЛИЦ.

1.1 Актуальность разработки системы.

1.2 Решаемая задача и исходные данные.

1.3 Обзор методов распознавания.

1.3.1 Общие методы.

1.3.2 Специализированные методы.

1.4 Оценка рассмотренных методов распознавания.

1.5 Выводы по главе.

ГЛАВА 2. ОПИСАНИЕ ПРЕДЛАГАЕМОЙ СИСТЕМЫ.

2.1 Общая схема предлагаемой системы.

2.1.1 Подсистема нижнего уровня.

2.1.2 Подсистема верхнего уровня.

2.1.3 Ошибки распознавания I и II рода.

2.1.4 Требования к подсистемам нижнего уровня.

2.1.5 Функциональные элементы подсистем нижнего уровня.

2.1.6 Сегментация изображений.

2.1.7 Схема модели системы распознавания.

2.1.8 Структура изображения.

2.2 Подсистемы распознавания, базирующиеся на преобразовании Фурье.

2.2.1 Подсистема, использующая дискретное косинусное преобразование.

2.3 Подсистемы распознавания, инвариантные к аффинным преобразованиям.

2.3.1 Подсистема, использующая моменты Лежандра.

2.3.2 Подсистема, использующая инварианты Цернике.

2.4 Текстурные подсистемы распознавания.

2.4.1 Подсистема, основанная на энергетических Картах Лавса.

2.4.2 Подсистема, основанная на порядковых гистограммах.

2.4.3 Подсистема, использующая детектор краев на масках Собеля.

2.5 Сходство и различие в алгоритмах построения векторов признаков.

2.6 Выводы по главе.

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ПОДСИСТЕМ РАСПОЗНАВАНИЯ.

3.1 Постановка эксперимента.

3.1.1 Экспериментальная база изображений.

3.1.2 Описание эксперимента.

3.2 Эксперименты и выявление наилучших режимов работы подсистем.

3.2.1 Предварительная обработка фотографий.

3.2.2 Эксперимент с подсистемой на базе ДКП.

3.2.3 Эксперимент с подсистемой на базе моментов Лежандра.

3.2.4 Эксперимент с подсистемой на базе инвариантов Цернике.

3.2.5 Эксперимент с подсистемой, использующей карты Лавса.

3.2.6 Эксперимент с подсистемой, использующей порядковые гистограммы.

3.2.7 Эксперимент с подсистемой, использующей маски Собеля.

3.3 Выводы по главе.

ГЛАВА 4. ПРОЕКТИРОВАНИЕ И ИСПЫТАНИЕ СИСТЕМЫ РАСПОЗНАВАНИЯ.

4.1 Цели и задачи проектирования.

4.2 Анализ совместного функционирования подсистем.

4.2.1 Описание экспериментов.

4.2.2 Представление результатов экспериментов.

4.2.3 Проведение анализа.

4.2.4 Соображения о предельном случае ошибок.

4.3 Предлагаемая конфигурация системы как результат анализа совместной работы подсистем.

4.3.1 Вырожденная подсистема верхнего уровня.

4.3.2 Состав системы и результаты ее работы.

4.3.3 Сравнение с аналогичными системами.

4.4 Испытание устойчивости системы распознавания.

4.4.1 Набор помех.

4.4.2 Результаты системы с помехами.

4.4.3 Сравнение ошибок системы, без помех и ошибок возникающих в результате действия помех.

4.4.4 Выводы об устойчивости системы к различным помехам.

4.5 Эксперименты по распознаванию промышленных изделий.

4.5.1 Постановка экспериментов.

4.5.2 Сравнение результатов распознавания системой промышленных изделий и лиц.

4.6 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Система неадаптивного распознавания образов в условиях ограниченного количества информации»

Предмет исследования

В последние годы происходит всё более широкое внедрение методов распознавания образов. Рост интереса к таким методам объясняется, с одной стороны, возрастающей потребностью в них (в отраслях роботостроения и приборостроения, в правоохранительных органах), с другой же — расширяющимися возможностями вычислительной техники.

Рост производительности' вычислительной техники повышает эффективность систем распознавания за счёт возможности осуществлять более быстрый поиск в больших базах данных и возможности в реальном времени реализовывать всё более сложные и эффективные алгоритмы распознавания. В настоящее время ведутся интенсивные исследования, направленные на решение задач распознавания.

Одним из проблемных направлений распознавания образов является задача распознавания в условиях ограниченного количества информации. Когда система имеет лишь по одному изображению объектов в своей базе. И для распознавания она получает только одно изображение. Существующие алгоритмы демонстрируют в таких условиях сравнительно низкие результаты работы.

Предметом настоящего исследования является улучшение корректности распознавания образов в условиях ограниченного количества информации.

Цели и задачи исследования

Цель работы заключается в разработке системы распознавания, улучшающей эффективность распознавания образов в условиях ограниченного количества информации: при наличии в системе только одного изображения для каждого распознаваемого объекта.

Для достижения поставленной цели решались следующие задачи:

• Проводилось изучение существующих алгоритмов распознавания, их классификации, выявление преимуществ и недостатков.

• Разрабатывалась формальная математическая модель системы распознавания.

• Исследовался ряд алгоритмов обработки изображений на применимость к решению задачи распознавания образов.

• Улучшались исследованные и разрабатывались новые алгоритмы распознавания образов для их последующего использования в предложенной системе.

• Разрабатывалось специальное программное обеспечение, на базе которого экспериментально проверялись алгоритмы распознавания в отдельности и при совместной работе в системе распознавания.

• По результатам экспериментов проектировалось наполнение предложенной системы набором алгоритмов распознавания.

• Проводился анализ работы системы распознавания. Анализ включал сравнение результатов работы системы с работой аналогичных систем распознавания. А также проверялось влияние различных искажений распознаваемых образов на результаты работы системы.

Методы исследования

Достоверность полученных в работе результатов обеспечивается применением методов системного анализа, теории распознавания образов, теории множеств, теории алгоритмов, теории вероятности, математической статистики и подтверждены результатами экспериментов, проведенных с помощью специально созданного программного обеспечения.

Научная новизна

Научную новизну работы определяют следующие положения:

1. Предложена модель системы распознавания образов, позволяющая совместно использовать несколько методов распознавания различного типа. Главными особенностями системы являются:

• Система является неадаптивной. Она не адаптирована для распознавания какого-то конкретного типа объектов. И теоретически может применяться для распознавания различных образов.

• Система распознавания имеет модульную структуру. Что позволяет расширять или улучшать систему путем» добавления, исключения или замены подсистем верхнего уровня.

• Взаимодействие подсистем верхнего* уровня основано на сотрудничестве: система принимает решение- о наличии распознаваемого образа в эталонной базе, если хотя бы одна из подсистем.определила такое соответствие.

• В качестве подсистем нижнего уровня может использоваться^ любой алгоритм, использующий принцип ближайшего , соседа и реализующий попарное сравнение распознаваемого изображения с эталонными.

• Взаимодействие подсистем нижнего уровня основано на конкуренции. Для принятия подсистемой верхнего уровня решения о наличии в базе распознаваемого образа необходимо чтобы все подсистемы нижнего уровня, входящие в нее, определили ближайшим соседом одинаковое эталонное изображение.

• Система может использовать, большое количество разнообразных алгоритмов, что- позволяет исследовать изображения различными методами. И таким образом более полно использовать ограниченную информацию, содержащуюся в одном изображении.

2. Предложен метод каскадного применения процедур преобразования распознаваемого изображения по схеме: построение производной карты — сканирование волновым пакетом. Метод позволяет:

• использовать для распознавания различные производные карты исходного изображения;

• уменьшить количество хранимых в системе данных и как следствие ускорить поиск в них.

3. Предложен алгоритм распознавания, использующий порядковые гистограммы. Алгоритм учитывает мелкотекстурные особенности изображения распознаваемого объекта. И может использоваться' для-правильного распознавания образов, отличающихся по ракурсу от имеющихся в системе.

Практическая ценность и реализация результатов

Разработанные в? настоящей, работе система и методы распознавания повышают достоверность распознавания образов в условиях ограниченного количества информации. Благодаря масштабируемости системы распознавания можно последовательно улучшать- результаты* ее работы за счет добавления или совершенствования её отдельных подсистем.

Разработанные в диссертации алгоритмы, математические модели и программные средства легли в основу подсистемы распознавания в рамках выполнения госбюджетной опытно-конструкторской работы.«2009-04-2.4-15-03» по теме: «Разработка технических средств распознавания образов по анализу видеоизображения для автоматизации работы, оператора». Предложенная система реализована и успешно функционирует на опытном образце комплекса. Это обстоятельство делает целесообразным и возможным промышленное производство данного комплекса.

Апробация работы

Основные результаты работы докладывались на следующих научно-технических и научно-практических конференциях, семинарах и салонах:

• XVII Всероссийская научно-методическая конференция «Телематика-2010», Санкт-Петербург, 21-24 июня 2010 г.

• II Международная научно-практическая конференция «Прогрессивные технологии и перспективы развития», Тамбов, 5 ноября 2010 г.

• Международная научная конференция «Технические науки: проблемы и перспективы», Санкт-Петербург, март 2011 г.

• Международный салон «Комплексная безопасность 2011», Москва, ВВЦ, 17-20 мая 2011 г. .

• Семинар кафедры Информационных систем Муромского института ГОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, 24 мая 2011 г.

Положения, выносимые на защиту

Основные научные результаты диссертации, выносимые на защиту, заключаются в следующем:

1. Система распознавания образов, позволяющая совместно использовать несколько алгоритмов распознавания различного типа.

2. Набор алгоритмов, обеспечивающих работоспособность, предложенной системы.

3. Результаты экспериментов по распознаванию лиц предложенной системой.

Публикации

Основные результаты работы представлены в 9 публикациях, в том числе в 3 статьях журналов из перечня ВАК и одной монографии, а также в научно-технических отчетах ОКР, выполненных по заданию Федерального агентства по науке и инновациям.

Объем и структура диссертации

Текст диссертационной работы изложен на 145 стр. машинописного текста. И дополнен четырьмя приложениями на 28 стр. Содержательная часть включает введение, четыре главы и заключение. Список использованных источников содержит 92 наименования. Таблиц - 22, рисунков - 65.

В главе 1 обосновывается актуальность работы. Описывается постановка задачи и исходные данные. Дается подробный обзор наиболее распространенных алгоритмов распознавания, проводится их классификация, рассматриваются сильные и слабые стороны. Производится оценка рассмотренных алгоритмов с точки зрения- их пригодности для решения поставленной задачи. Делаются выводы о том, что рассмотренные алгоритмы не могут в полной мере решить её. В выводе описывается- идеология, которая будет применяться для*распознавания, и основные требования к алгоритмам.

Глава 2* посвящена- разработке математических моделей и методов распознавания. Формально описывается математическая модель неадаптивной системы. Рассматриваются ошибки распознавания, возникающие в системе (первого и второго рода). Вводятся понятия подсистем верхнего и нижнего уровней. Определяются формальные требования к подсистемам. Описываются механизмы их взаимодействия в рамках системы. Предлагается ряд алгоритмов распознавания, которые могут применяться в качестве подсистем. Вводятся понятия векторов признаков и расстояния между ними. Для каждого предлагаемого алгоритма детально описываются процедуры построения векторов признаков и расчета расстояния между ними. А также определяются параметры, изменяя которые можно улучшать работу этих алгоритмов.

В главе 3 приводятся результаты экспериментального исследования выбранных алгоритмов распознавания. Для этого дается формальное описание эксперимента. И приводятся результаты этого эксперимента, полученные для каждого выбранного алгоритма при помощи специально разработанного программного обеспечения. Результаты экспериментов позволяют определить значения параметров, при которых достигаются лучшие показатели безошибочности работы рассматриваемых алгоритмов.

Четвертая глава посвящена проектированию распознающей системы. Проводится анализ совместной работы подсистем распознавания нижнего уровня на предмет ошибок первого и второго рода. Предлагается конкретное наполнение системы распознавания подсистемами верхнего и нижнего уровней. Также проводятся эксперименты для определения влияния различных искажений распознаваемых изображений на результаты ее работы. Делаются оценки работы и сравнение с другими системами.

Каждая глава завершается кратким обобщением изложенного материала и формулировкой основных выводов.

В заключении приводятся выводы по диссертационной работе.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Рожков, Максим Михайлович

4.6 Выводы по главе

В настоящей главе был создан макет предлагаемой модели распознавания. Система распознавания была наполнена конкретными подсистемами. Среди этих подсистем имеются такие, которые используют весьма простые или распространенные процедуры обработки изображений (такие как ДКП, моменты Лежандра, маски Собеля). Однако даже в случае наполнения системы распознавания такими незамысловатыми, подсистемами она продемонстрировала превосходство над рядом других алгоритмов.

Это обстоятельство делает саму модель весьма перспективной для задач распознавания образов с использованием единственного эталона. Ведь наполняя ее более эффективными алгоритмами можно достичь улучшения результатов её работы.

Система распознавания также- подверглась, исследованиям на универсальность применения и на устойчивость в зависимости от различных помех, накладываемых на изображения. В ходе исследования была обнаружена следующая особенность модели: система распознавания не допускает значительного роста ошибки второго рода ни при каких помехах. При этом ошибка первого рода может быть различной. Что определяется в первую очередь эффективностью работы конкретных подсистем в тех или иных условиях.

Предложенная система и используемые в ней подсистемы достаточно успешно работают при разрешении фотографий начиная со 128*128 точек. То есть предложенная модель может работать с обычными камерами широкого распространения. И использовать для распознавания фотографии среднего качества.

Заключение

В настоящей диссертационной работе были проведены следующие действия.

1. Осуществлен обзор и анализ существующих алгоритмов распознавания, показавший следующее: а) метод главных компонент демонстрируют невысокие показатели корректности распознавания в условиях ограниченного количества информации (в рамках проблемы одного эталонного изображения); б) линейный дискриминантный анализ очень критичен к точному центрированию изображений, что накладывает дополнительные ограничения на алгоритмы захвата изображения лица; в) алгоритмы оптического потока требуют огромного количества вычислений, причем с ростом эталонной базы количество вычислений растет быстрее линейной зависимости; г) алгоритмы, использующие СММ и ИНС требуют обучения на многих эталонах для эффективной работы; д) специализированные алгоритмы спроектированы для решения узкой задачи - распознавание лиц, и характеризуются недостаточной общностью применения; е) Трехмерные- модели и эластичные графы будет проблематично правильно построить, имея в наличии единственное эталонное изображение.

2. Установлена актуальность исследования, связанная с потребностями развития систем компьютерного зрения для, обеспечения более эффективного взаимодействия техники и человека. Задача распознавания образов является одним из важнейших направлений компьютерного зрения. Её успешное решение необходимо для разработки и производства систем; способных интеллектуально оценивать внешнюю среду и выполнять в ней необходимые действия.

3. Предложена формальная математическая модель распознавания, отличающаяся следующим: а) Она позволяет эффективно работать в условиях ограниченного количества информации: с одним эталоном на класс в системе и с одной фотографией для распознавания. б) Она является неадаптивной, то есть не адаптированной для распознавания определенного типа объектов. Обладает универсальностью применения. в) Она масштабируема. В рамках системы может использоваться большое количество различных алгоритмов распознавания и обработки изображений. Это позволяет извлекать из единственного эталонного и единственного распознаваемого изображений как можно больше разнообразных данных. И использовать эти данные для распознавания. Такими образом позволяя всесторонне исследовать изображение объекта.

4. Определён конкретный набор алгоритмов распознавания, использующихся в предложенной модели. Алгоритмы используют принцип ближайшего соседа и основаны на различных процедурах обработки изображений. В том числе предложены следующие новые процедуры распознавания: а) Предложен метод каскадного применения алгоритмов обработки изображений. Метод позволяет использовать для распознавания различные производные карты яркости изображений. А также позволяет уменьшить количество элементов векторов признаков, что ускоряет работу алгоритмов. б) Для распознавания предложен метод, основанный на порядковых гистограммах, использующий ортонормированный базис Фрея-Чена. Особенностью метода является статистическое исследование мелкотекстурных особенностей распознаваемого объекта, а не его контуров. Что делает метод более устойчивым к ракурсу съемки распознаваемого объекта.

5. Проведены эксперименты, направленные на исследование предложенных алгоритмов распознавания и определение лучших режимов их работы. Эксперименты проводились при помощи специально разработанного программного обеспечения [А32].

6. Построена модель распознавания. В ходе анализа совместной работы подсистем нижнего уровня предложено конкретное наполнение модели подсистемами. Используемые в модели ПНУ работают в режимах, с которыми они показали лучшие результаты.

7. Проведены эксперименты для расчета ошибок работы системы. Осуществлено сравнение этих ошибок с результатами работы других алгоритмов распознавания. Экспериментально выявлено: а) Преимущество предложенной модели над другими алгоритмами, выражающееся в более низких значениях ошибок. б) Подтвержден высказанный теоретически принцип сотрудничества подсистем верхнего уровня. Четыре ПВУ, которыми была наполнена модель распознавания, совместно показали более низкую ошибку первого рода нежели по отдельности.

8. Создан экспериментальный макет модели распознавания [А28]. Для макета использовалось библиотеки обработки изображений, а также специально разработанное программное обеспечение (Приложение 2).

9. Проведены эксперименты на устойчивость модели к различным искажениям распознаваемых изображений. В ходе экспериментов выявлено: а) Предложенная модель не допускает значительных ошибок второго рода в условиях различных искажений. Следовательно, сравнительно низкая ошибка второго рода является свойством предложенной модели. б) В условиях различных искажений ошибка первого рода может сильно расти. Что определяется в первую очередь эффективностью работы конкретных подсистем в тех или иных условиях. в) Сжатие исходных изображений по алгоритму jpeg не оказывает значительного влияния на результаты распознавания. г) Экспериментальный макет достаточно успешно работает при разрешении фотографий начиная со 128*128 точек. То есть успешно работает даже с фотографиями среднего качества.

10.Проведены эксперименты на универсальность применения модели для распознавания различных объектов. В ходе экспериментов получены следующие результаты: а) Подтверждена неадаптивность предлагаемой системы - она успешно распознает не только лица, но и промышленные изделия. Лица людей гораздо более сложные объекты, а рассмотренные изделия, как правило, более простые. Система успешно распознает и те, и другие. б) При распознавании объектов различного рода корректность подсистем нижнего уровня может изменяться. Однако в целом система является достаточно сбалансированной. Ухудшение работы одних подсистем компенсируется улучшением работы других.

Список литературы диссертационного исследования кандидат технических наук Рожков, Максим Михайлович, 2011 год

1. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований: автореферат дис. . канд. техн. наук: 05.13.01. / Самаль Дмитрий Иванович. — Минск, 2002. — 22 с.

2. Анисимов, Б.В. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов. / Анисимов Б.В., Курганов В.Д., Злобин В.К. — М.: Высш.,шк., 1983. — 295 с.

3. Брилюк, Д.В: Распознавание человека, по изображению лица нейросетевыми, методами. / Брилюк Д.В., Старовойтов В.В. — Предпринт.— Минск: Ин-т техн. кибернетики HAH Беларуси, 2002. — 54 С.

4. Вапник, В.Н., Теория распознавания образов. Статистические проблемы обучения / В.Н. Вапник, АJL Червоненкис. — М.: Наука; 1974. — 416 С.

5. Василенко, О.Н., Теоретико-числовые алгоритмы в криптографии / О.Н. Василенко. — М.: МЦНМО, 2003. — 328 С.

6. Введение в контурный' анализ. Приложения к обработке изображений и сигналов / Под ред. Я.А. Фурмана. — 2-е* изд., испр. — М.: ФИЗМАТЛИТ, 2003. — 592 с. — ISBN 5-9221-0374-1.

7. Вежневец, В.П. Алгоритмы анализа изображения лица человека для построения интерфейса человек—компьютер: автореферат дис. . канд. физ.-мат. наук: 05.13.11 / Вежневец Владимир-Петрович. — М., 2004. — 24 с.

8. Глазунов, A.C. Компьютерное распознавание человеческих лиц. / Глазунов A.C. и др. // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники- 1997. — №8. — С. 3—14

9. Головко, В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями. / Головко В.А. — Брест: БПИ, 1999. — 260с.

10. Голубев, A.C. Аппаратно-программный комплекс автоматической регистрации и биометрической идентификации людей. / Голубев A.C.,

11. Звягин М.Ю., Квасов Д.С., Кокорин И.Г., Зиновьев И.И., Шамин П.Ю. // Материалы XVII Всероссийской научно-методической конференции "Телематика 2010". — СПб., 2010. — с. 261—262. — ISBN 978-5-75770354-1.

12. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB: Пер. с англ. / Гонсалес Р., Вудс Р., Эддинс С. — М.: Техносфера, 2006. — 616 с.1.BN 5-94836-092-Х

13. Гонсалес, Р. Цифровая обработка« изображений: Пер. с англ. / Гонсалес Р., Вудс Р. — М.: Техносфера, 2005. — 1072 с. — ISBN 5-94836-028-8

14. Горбань, А.Н. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998.

15. Журавлев, Ю.И. Об алгебраических методах в задачах распознавания и классификации. / Ю.И. Журавлев // Ежегодник "Распознавание. Классификация. Прогноз". Математические методы и их применение. Выпуск 1. — М.: Наука, 1989. — С. 9—16

16. Журавлев, Ю.И. Распознавание образов и распознавание изображений. / Ю.И. Журавлев, И.Б. Гуревич // Ежегодник "Распознавание. Классификация. Прогноз". Математические методы и их применение. Выпуск 2. — М.: Наука, 1989. — С. 5—72

17. Журавлев, Ю.И. Распознавание. Математические методы. Программнаясистема. Практические применения. / Ю.И.Журавлев, В.В.Рязанов,

18. О.В.Сенько. — М.: Фазис, 2006. — 176 с. — ISBN 5-7036-0108-8i

19. Звягин, М.Ю. Распознавание людей по изображению лица с j использованием текстурных характеристик. / М.Ю. Звягин, В.Г.

20. Прокошев, O.A. Новикова, П.Ю. Шамин // Материалы XVII ! Всероссийской научно—методической конференции "Телематика 2010".

21. СПб., 2010. — с. 257—259. — ISBN 978-5-7577-0354-1.

22. Каменская Е.И. Алгоритмы обработки и представления изображений лиц в пространстве канонических переменных: автореферат дис. .1канд. техн. наук: 05.13.18 / Каменская Екатерина Ивановна. — СПб., 2010. — 18 с.

23. Международной конференции по компьютерной графике и зрению ГрафиКон'2009. — М., 2009

24. Местецкий, JI.M., Математические методы распознавания образов / Местецкий JI.M. — М.: Изд-во МГУ, 2004. — 85 С.

25. Методы компьютерной обработки изображений. / Под ред. В.А. Сойфера. — 2-е изд., испр. — М!: ФИЗМАТЛИТ, 2003. — 784 с. — ISBN 5-9221-0270-2

26. Поляков, А.Ю. Методы и алгоритмы компьютерной «графики в примерах на Visual С++, 2-е изд., перераб. и доп. / Поляков А.Ю., Брусенцев В.А.

27. СПб:: БХВ—Петербург, 2003. — 560 с. — ISB№5-94157-377-4

28. Прэтт, У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. — М.: Мир, 1982.— Кн. 1. —312 с.

29. Рожков, М.М. Актуальность 2D алгоритмов в определенных задачах автоматического распознавания человека / Рожков М.М. // Материалы научной конференции "Технические науки: проблемы и перспективы"

30. СПб, 2011. — С. 145—146. — ISSN 2072-0297.

31. Рожков, М.М. Использование текстурных карт Лавса и дискретного косинусного преобразования в задаче распознавания лиц / Рожков М.М.

32. Прикладная информатика — М, 2011. — №1 (31). — С. 98—ЮЗ. — ISSN 1993-8314.

33. Самаль, Д.И. Выбор признаков для распознавания на основе статистических данных / Самаль Д.И., Старовойтов В.В. // Цифровая обработка изображений. — Минск, 1999. — С. 105—114.

34. Самаль, Д.И. Подходы- и методы распознавания людей по фотопортретам. / Самаль Д.И., Старовойтов В.В. — Минск: ИТК НАНБ, 1998. —54с.

35. Сойфер, В.А. Компьютерная обработка изображений. Часть 1. Математические модели / В.А. Сойфер// Соросовский образовательный журнал, 1996. — №2. — С. 118—124

36. Сойфер, В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы / В.А. Сойфер// Соросовский образовательный журнал, 1996.3. —С. 110—121

37. Специальное прикладное программное обеспечение: пояснительная записка / Владимирский государственный университет; рук. Аракелян С.М.; исп. Шамин П.Ю. и др. — Владимир, 2010. — 241 с. — № 643.02068048 00628-01 81 01

38. Стокман, Д. Компьютерное зрение: Пер. с англ. / Стокман, Д. Шапиро J1.

39. М.: "БИНОМ. Лаборатория знаний", 2006. — ISBN 0-13-030796-3, 594774-384-1.

40. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Уоссермен Ф., 1992. — 184 с.

41. Фисенко, В.Т. Компьютерная обработка и распознавание изображений: учеб. пособие. / В.Т. Фисенко, Т.Ю. Фисенко. — СПб: СПбГУ ИТМО, 2008.—192 с.

42. Форсайт, Д. Компьютерное зрение. Современный подход: Пер. с англ. / Д. Форсайт, Ж. Понс — М.: Издательский дом "Вильяме", 2004. — 928 с.1.BN 5-8459-0542-7

43. Фурман, Я.А. Цифровые методы обработки и распознавания бинарных изображений. / Фурман Я.А., Юрьев А.Н., Яншин В.В. — Красноярск: Изд-во Краснояр. ун-та, 1992. — 248 с.

44. Хайкин, С. Нейронные сети. Полный курс. Второе издание. / Хайкин С.1. М., СПб., Киев, 2008.

45. Юдашкин, А.А. Распознавание растровых изображений с помощью* динамической нейронной сети, заданной в пространстве комплексных чисел. / А.А. Юдашкин // Известия Самарского научного центра Российской академии наук, 2003. — № 1. — Т. 5. — С. 127—133

46. Яншин, В.В. Обработка изображений на языке Си для IBM PC: Алгоритмы и программы. / Яншин В.В., Калинин Г.А. — М.: Мир, 1994.240 с. — ISBN 5-03-002891-9

47. Ярославский, Л.П. Введение в цифровую обработку, изображений / Ярославский Л.П. — М.: Сов. радио, 1979. — 312 с.

48. Belhumeur, P. N. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection. / Belhumeur P. N., Hespanha J. P., Kriegman D. J. // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997. — Vol. 19. —P. 711—-720.

49. Beymer, D. Face recognition from one example view / D. Beymer, T. Poggio // Proceedings of the IEEE International Conference on Computer Vision, 1995. —P. 500—507.

50. Bhat, G. Face Recognition using FSS-DSOP for Small Sample Size Problem with Illumination Variations / G. Bhat, K.K. Achary // Soft Comput. Appl, 2009. — Vol. 1. — No. 2. — P. 105—118. — ISSN 2074-8523.

51. Blanz, V. Face identification across different poses and illuminations with a 3D morphable model. / Blanz V., Romdhani S., Vetter T. // International Conference on Automatic Face and Gesture Recognition, 2002. — P. 202— 207.

52. Bronstein, A. M. Three-dimensional face recognition. / Bronstein A. M., Bronstein M. M., Kimmel R. // International Journal of Computer Vision1 (IJCV), 2005. — № i (64). — P. 5—30

53. Brunelli R., Poggio T. Face recognition: features versus templates // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993. — Vol. 15.1. No 10. —P. 235—241.

54. Chen, S. Making FLDA applicable to face recognition with one sample per person. / S. Chen, J. Liu, Z. Zhou // Pattern Recognition, 2004. — Vol. 37. — No. 7. —P. 1553—1555.

55. Choi, S. Shadow compensation in 2D images for face recognition / S. Choi, C. Kim, C. Choi // Pattern Recognition, 2007. — No. 40. — P. 2118—2125.

56. Face recognition^ as a search tool "Foto-Fahndung". Final Report. — Wiesbaden, 2007. — 30 p.

57. Fractal Image Compression. Theory and Application / Editedby Y. Fisher — N.Y., Springer, 1995. — ISBN 0-3 87-29211 -4.

58. Gao, Q. Face recognition using FLDA with single training image per person / Q. Gao, L. Zhang, D. Zhang // Applied Mathematics and Computation, 2008.1. Vol. 205. — P. 726—734.

59. Heisele, B. Face recognition: component—based versus global approaches / B. Heisele, P. Ho, J. Wu, T. Poggio // Computer Vision and Image Understanding, 2003. — No. 91. — P. 6—21.

60. Heseltine, T. Evaluation of image pre-processing techniques for eigenface based face recognition / T. Heseltine, N. Pears, J. Austin // Proceedings of the

61. Second International Conference on Image and Graphics, SPIE, 2002. —Vol. 4875. —P. 677—685.

62. Heseltine, T. Face Recognition: A Comparison of Appearance-Based Approaches / T. Heseltine, N. Pears, J. Austin, Z. Chen // Proc. Vllth Digital Image Computing: Techniques and Applications, 2003. — Sydney. — P.59— 68

63. Heseltine, T. Three-dimensional face recognition using combinations of surface feature map subspace components. / Heseltine T., Pears N., Austin J. // Image and Vision Computing (IVC), 2008. — No. 3 (26).

64. Image Analysis, Sediments and Paleoenvironments / Edited by P. Francus. — Springer, 2005. — ISBN 1-4020-2061-9.

65. Jenkins R. Face Recognition from Unconstrained Images: Progress with Prototypes / R. Jenkins, A.M. Burton, D. White // Proc. Of the 7th International Conference on Automatic Face and Gesture Recognition, FGR'06, 2006.

66. Jorgensen, P. Analysis and Probability Wavelets, Signals, Fractals. / Jorgensen P. — Springer, 2006. — 320 P. — ISBN—10 0-387-29519-4

67. Kruizinga, P. Optical flow applied to person identification / Kruizinga P., Petkov N. // Proceedings of the EUROSIM Conference on Massively Parallel Processing applications and Development, 1994. — P. 871—878.

68. Lia, Y. Support vector machine based multi-view face detection and recognition / Y. Lia, S. Gongb, J. Sherrahc, H. Liddell // Image and Vision Computing, 2004. — No. 22. — P. 413—427.

69. Martinez, A.M. The AR Face Database / A.M. Martinez, R. Benavente. — CVC Tech. Report #24, 1998.

70. Ng, H. View-invariant face recognition from a single sample / H. Ng // Proceedings of the 10th World Multiconference on Systemics, Cybernetics and Informatics, 2006. — Vol. 5. — P. 212—216.

71. Phillips, P. FRVT 2006 and ICE 2006 Large-Scale Results. / P. Phillips, W. Scruggs, A. O'Toole, P. Flynn, K. Bowyer, C. Schott, M.Sharpe // Report of National Institute of Standards and Technology 7408, March 2007

72. Rabiner, L. R. A tutorial on Hidden-Markov Models and selected applications in speech recognition / Rabiner L. R. // Proceedings of the IEEE, 1989. — Vol. 77(2). — P. 257—285.

73. Scheenstra, A. 3D Facial Image Comparison using Landmarks / A. i Scheenstra. — Netherlands Forensic Institute, Institute of Information and

74. Computing Sciences, Utrecht University, February 2005.

75. Tan, X. Face Recognition from a Single Image per Person: A Survey. / X. Tan, S. Chen, Z. Zhou, F. Zhang // Pattern Recognition. The Journal of the Pattern Recognition Society, 2006. — No 39. — P. 1725—1745.

76. The Amsterdam Library of Object Images (ALOI). Grey value (8 bit). Half * resolution (384 x 288). Viewing direction. Электронный ресурс. —г

77. Электрон. дан. (2,2 Гб.). — Режим доступа: http ://www. science.uva.nl/sites/ALOI/aloigreyred2view.tar

78. The Color FERET Database Электронный ресурс.: Public face database — Ver. 2. — Last modified Jan. 31, 2008. — Режим доступа: http://face.nist.gov/colorferet/ч