CC BY
54
Администрирование Справочники Документы
Курс С ДО ШИ. Информатика (подготовка к ЕГЭ)
Тест СДО ШИ. Двоичная система счисления Sir1
Тест СДО ШИ. Демо-версия ЕГЭ 2009 Тест СДО ШИ. Демо-версия ЕГЭ 2010 HiH Тест СДО ШИ, Демо-версия ЕГЭ 2011 hih Тест СДО ШИ. Демо-версия ЕГЭ 2012 ^
Тест СДО ШИ. Основы иодирования информации V Рис. 2. Страница синхронизации АИС и СДО «Школа информатики СГАУ»
В настоящее время обучение в школе информатики СГАУ проводится c использованием «смешанно-дистанционного» обучения (Blended Distance Learning): - лекции, практические занятия проводятся в классической (очной) форме. Учет посещаемости и успеваемости осуществляется преподавателем через подсистему «Электронный журнал», и вся информация заносится в базу данных АИС «ШИ СГАУ»;
электронное тестирование проводится дистанционно с помощью СДО, результаты которого сохраняются в базе данных этой системы.
Так как часть данных об успеваемости школьников хранится за пределами АИС «ШИ СГАУ» (в СДО), возникает проблема актуализации данных электронного журнала и, как следствие, электронного дневника (он предназначен для контроля успеваемости и посещаемости слушателя родителями). Для решения данной проблемы автором была разработана специальная подсистема, которая передает данные о
результатах тестирования из базы данных СДО в базу данных АИС «ШИ СГАУ», тем самым обеспечивая синхронизацию доступных в СДО курсов и тестов. На рис. 2 приведена страница синхронизации сайта АИС с СДО.
Подсистема реализована на языке С# с использованием технологии создания веб-приложений ASP.NET и MVC Framework. В качестве системы управления базой данных выбрана Microsoft SQL Server 2008.
Разработанное программное обеспечение обеспечивает электронную поддержку работы сайтов школы информатики СГАУ, поддержку информации в актуальном состоянии, обеспечение быстрого доступа к ней, а также повышение эффективности учебной и организационной работы школы в целом.
© Кузнецов П. А., 2014
УДК 004.93
М. А. Лаптева, К. М. Болдырев Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
СИСТЕМА НАХОЖДЕНИЯ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ
Работа посвящена разработке системы нахождения лица на видеопоследовательности, которая основана на специализированном аппаратном и программном обеспечении. Использование данной системы позволит обеспечить безопасность на охраняемых объектах.
Извлечение различной семантической информации из изображений лица человека является практически значимой задачей. Зачастую она является составной частью более глобальных задач. В настоящее время системы, способные распознавать лица и следить за определенными людьми, активно внедряются
спецслужбами во многих странах. Подобные системы, осуществляющие автоматический анализ и распознавание лица человека, находят применение в системах технического зрения, робототехнике, системах видеонаблюдения и контроля доступа, в интерфейсах взаимодействия человек-компьютер. Одной из актуальных
Секция «Информационные системы и технологии»
задач в этой области является классификация анализируемых лиц людей по половому признаку.
Задача нахождения лица обычно решается с помощью таких известных методов, как метод главных компонент (Principal component analysis, PCA), линейный дискриминантный анализ (Linear Discriminant Analysis, LDA), искусственные нейронные сети, каскады Хаара [1], метод опорных векторов (Support Vector Machine, SVM), алгоритм AdaBoost и т. д.
Существующие подходы к решению задачи нахождения лица на видеопоследовательности не дают желаемого результата, поэтому было решено разработать гибридный алгоритм, объединяющий несколько методов, такие как каскады Хаара и алгоритм AdaBoost. Качество и скорость работы метода усиления слабых классификаторов напрямую зависят от выбора тестового множества. Поэтому для построения тестового множества было решено использовать каскады Хаара, которые основываются на поиске локальных особенностей лица с помощью базисных функций Хаара [2]. Использование признаков Хаара позволяет существенно снизить вычислительные затраты, что является наиболее эффективно по сравнению с выделением слабых классификаторов с помощью простых методов сегментации изображений (методы пороговой обработки, сегментация лица по цвету кожи и т. п.). Для выбора наиболее подходящих особенностей и обучения применяется усилитель слабых классификаторов AdaBoost [3].
Для достижения дополнительной производительности эффективно применять серию детекторов. В этом случае поиск лица на некотором шаге производится не во всем кадре, а в пределах полученной от предыдущего детектора области, взятой с некоторым запасом.
Основные этапы алгоритма распознавания лиц на видеопоследовательности:
1. Загрузка видеопоследовательности, через диалоговое окно.
2. Разбиение видеопоследовательности на кадры, для захвата каждого кадра с целью дальнейшего анализа.
3. Предварительная обработка видеокадров (построение изображения «Серый мир»).
4. Перевод изображения в интегральное представление.
5. Предварительный анализ с помощью примитивов Хаара.
6. Локализация объектов с помощью примитивов Хаара.
7. Детектирование с помощью усилителя слабых классификаторов AdaBoost для выбора наиболее подходящих признаков для искомого объекта (лица) на данной части изображения (текущего кадра).
8. Применение каскадов признаков для быстрого отбрасывания окон, где не найдено лицо
В качестве входных данных выступает видеопоследовательность, содержащая лицо человека и настраиваемые параметры поиска лица, после чего на выходе получается видеопоследовательность, с выделенной областью лица человека.
Интерфейс и основные функции программного продукта разработаны в среде Microsoft Visual Studio 2012 (см. рисунок).
Проведенные экспериментальные исследования показали, что гибридный алгоритм дает более лучшие результаты, так как использование AdaBoost позволяет усилить поиск на кадрах, где не было найдено лицо с помощью каскадов Хаара. Разработанный программный продукт нахождения лица на видеопоследовательности позволит в свою очередь, повысить безопасность на производственных охраняемых объектах.
FaceDetection
3 а гружен н а я ви деоп осл едова тел ьн о ст ь
Видеопоследовательность с выделенной областью лица
м*
Количество кадров в секунду: 5r92 fps
Способ поиска лица: От_маленького_к_болыиому
Способ выделения области лица: Объедонение_окон 0 Усилитель слабых классификаторов Ас1аВоов1 О Параллельный поиск лиц
Детекти рова н и е
Интерфейс системы нахождения лица на видеопоследовательности
Библиографические ссылки
4. Мурыгин К. В. Обнаружение объектов на изображении на основе каскада классификаторов // Искусственный интеллект. 2007. Вып. № 2. С. 104-108.
5. Viola P., Jones J. Robust real-time object detection // Proc. of IEEE Workshop on Statistical and Computational Theories of Vision, 2001. P. 324-332.
6. Sochman J. AdaBoost with totally corrective updates for fast face detection [Электронный ресурс]. URL: http://cmp.felk.cvut.cz~sochmj1 (дата обращения: 18.03.2014).
© Лаптева М. А., Болдырев К. М., 2014
УДК 004.9
А. В. Ничкасов Научный руководитель - С. М. Дубина Самарский государственный аэрокосмический университет имени академика С. П. Королева (национальный исследовательский университет), Самара
РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ МНОГОГРАННИКОВ
Произведена разработка метода, позволяющего выполнить распознавание растрового чертежа и построить на его основе трехмерную модель. Объектами исследования в данной работе являются методы распознавания растровых изображений и сопоставления проекций чертежа. Для решения поставленной задачи была разработана программная система, реализующая исследуемые методы.
Для систем проектирования построение растрового чертежа по трехмерной модели представляет собой достаточно простой и формальный процесс, выполняющийся без вмешательства пользователя. Преобразование же растрового изображения в трехмерную модель, является трудоемким и длительным процессом и может требовать не просто вмешательства, а творческого участия со стороны пользователя. Это связано с тем, что при наличии достаточно «сложного» чертежа системы проектирования не способны выполнить данную задачу в полном объеме. Сложность заключается как в распознавании его составляющих, так и в сопоставлении проекций чертежа. В благоприятном варианте чертеж облегчает создание объемной модели: за основу берется одна из проекций и проектировщик самостоятельно, при помощи инструментов программной системы «наращивает» различные части модели, а нужные величины узнает из соседних проекций. В данной работе произведена попытка решить проблему построения трехмерной модели по растровому чертежу. Для этого разработана программная система, которая этапы распознавания линий и сопоставления проекций выполняет в автоматическом режиме.
Разработанная программная система строит трехмерную модель на основе ее растрового чертежа. На чертеже изображены линии проекций видимого контура модели. Для построения трехмерного объекта требуется распознать данные линии. Решение данной задачи заключается в аппроксимации точек изображения чертежа (пикселей) прямыми линиями. Для данной цели применяется метод, во многом совпадающий с методом, применяемым для векторизации рисунков в программе Ро1гасе [1]. Алгоритм находит на изображении все проекции и составляет для каждой из них список вершин целиком покрывающих контуры чертежа. Размер каждой вершины совпадает
с шириной линии контура. Далее, происходит аппроксимация групп смежных вершин прямыми линиями. В качестве метода аппроксимации используется метод регрессии Деминга. За основу берутся две соседние вершины. После этого, алгоритм увеличивает количество вершин в группе до тех пор, пока расстояние от наиболее удаленной вершины до линии, полученной путем аппроксимации данной группы, не превысит величину допустимой погрешности. Полученная данным путем линия заносится в список распознанных линий.
Чтобы построить трехмерную модель, требуются из распознанных линий проекций построить ребра многогранника. Для этого нужно сопоставить линии проекций между собой и найти координаты х, у и г вершин многогранника. Следует отметить, что существуют различные способы сопоставления проекций. Наиболее подходящим является способ, применяемый для сопоставления вершин примитивов проволочной модели векторного чертежа [2]. Каждая проекция чертежа имеет две декартовы координаты и изображает один из видов: главный, сверху и слева. Если предположить, что каждая точка из проекции главного вида имеет координаты х и у, а точки проекции вида сверху - у и г, то тогда точки проекции вида слева будут иметь координаты х и г. Выберем вершину (х0, у0) одной из линий главной проекции и найдем такую вершину (у0, г0) из проекции сверху, чтобы координаты у0 совпали. Теперь, если на проекции слева существует вершина с координатами (х0, г0), то составлена вершина (х0, у0, г0) трехмерной модели. Так разработанный алгоритм производит построение вершин многогранника. В завершении, построенные вершины соединяются ребрами, и программа отображает построенную трехмерную модель.
Задачей данной работы являлась разработка метода позволяющего по растровому чертежу построить
