CC BY
11УДК 004.94
СИСТЕМА ОПРЕДЕЛЕНИЯ ГЕНДЕРНОГО ПРИЗНАКА ЛЮДЕЙ ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ
М. А. Лаптева, К. М. Болдырев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-шаИ: [email protected]
Рассмотрена разработка системы, различающей людей на изображениях по гендерному признаку (разбиение на два класса: «мужчины» и «женщины»), которая основана на специализированном аппаратном и программном обеспечении. Использование данной системы в сфере рекламы позволит адаптировать коммерческие предложения для человека.
Ключевые слова: реклама, гендерный признак, метод опорных векторов.
SYSTEM OF DEFINITION OF PEOPLE GENDER CHARACTERISTICS BY A VIDEO SEQUENCE
M. A. Lapteva, K. M. Boldyrev
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
The research is devoted to the development of the system for people distinguishing at the pictures according to their gender type (splits into two classes: "men" and "women"), which is based on a dedicated hardware and software. The usage of this system in the field of advertising will allow to adapt the commercial offers for an individual.
Keywords: advertising, gender feature, support vector machine.
Система определения тендерного признака людей по видеопоследовательности позволит увеличить эффективность рекламы, транслируя информацию, направленную на определенный круг лиц [1]. Подобные системы находят широкое применение в различных областях: робототехнике, интерфейсах взаимодействия «человек-компьютер», системах сбора и оценки демографических показателей, видеонаблюдении, системах интеллектуального представления информации с цифровых носителей и многих других.
Перед решением задачи определения гендерного признака людей необходимо произвести анализ видеопоследовательности для нахождения области лица. Для этого осуществляется разбиение видеопоследовательности на кадры, для захвата каждого кадра с целью дальнейшего анализа. Получение кадров из видеопоследовательности происходит с помощью библиотеки АРо^е. С помощью функции NewFrame последовательно берётся каждый кадр и помещается на элемент рюШгеВох. Далее осуществляется предварительная обработка (перевод в интегральное представление) текущего кадра и его анализ с помощью примитивов Хаара. С помощью усилителя слабых классификаторов AdaBoost осуществляется выбор наиболее подходящих признаков для искомого объекта (лица) на данной части изображения (текущего кадра).
Все признаки поступают на вход классификатора, который даёт результат «истина» либо «ложь». Таким образом, полученная область лица на текущем видеокадре может быть использована для определения ген-дерного признака людей.
Задача определения гендерного признака людей на сегодняшний день была решена с помощью метода построения вектора признаков на основе эталонной базы образов и классификатора AdaBoost [3]. Использование эталонной базы образов является неэффективным, так как процесс обучения классификатора занимает большое количество времени из-за большого вектора двоичных характеристик на одно изображение обучающей выборки, а также тестовое изображение может сильно отличаться от изображений обучающего множества, что приводит к ошибке определения пола человека.
Исходя из этого, было решено производить вычисление вектора признаков на основе характерных черт (фокусное расстояние глаз и расстояние от глаз до центра рта), что позволит в свою очередь сократить время вычисления алгоритма за счет использования информации о положении глаз, носа и рта, полученной с помощью каскадов Хаара при поиске лица на видеокадре. Для классификации данных (мужчина и женщина) было решено использовать метод опорных
Программные средства и информационные технологии
векторов [2]. Все признаки поступают на вход классификатора, который даёт результат «мужчина» либо «женщина». Для реализации данного шага алгоритма используются выражения (1)-(4):
f ( X ) = sgn(£ yak ( X, x )+b),
(1)
где к - это ядерная функция; Ь - смещение.
В качестве ядерной функции используется радиальная базисная функция Гаусса, которая имеет вид
к (X, X ) = exp
Ч X - XII2 ^
(2)
Обучение метода опорных векторов сводится к нахождению коэффициентов а (множителей Лан-гранжа) и b . Найти их можно, решив следующую задачу квадратичной оптимизации:
i i i i
L(a) = Y,ar -~:УгУ:к(X,xj) ^ max, (3)
i=i 2 i=i j=i а
при ограничениях
=0,
i=1
0 <a, < C, C = const.
(4)
Преимуществом метода опорных векторов является то, что параметры регрессионной модели определяются на основе решения задачи квадратичного программирования, имеющей единственное решение. Однако этот метод неустойчив по отношению к шуму в исходных данных. Если обучающая выборка содержит шумовые выбросы, они будут существенным образом учтены при построении разделяющей гиперплоскости [2]. В целях получения наилучшего результата при распознавании проводится предварительная обработка входного изображения для приведения его к равномерной структуре (к единым яркостным и цветовым оттенкам). Структурная схема функционирования программного продукта представлена на рисунке.
В результате система начинает показывать рекламные материалы в соответствии с полом человека, что позволяет повысить эффективность продаж и прибыльность компании, а также проводить рекламные акции для определенной категории людей и избавить посетителей от ненужной им рекламы. Интерфейс и основные функции программного продукта разрабатываются в среде разработки приложений Microsoft Visual Studio 2012, язык программирования C#. Такая система распознавания пола человека акцентирует внимание на клиентах для улучшения качества обслуживания и повышения прибыли компании.
Подготовка данных
Построение вектора признаков
Классификация данных
Структурная схема функционирования
i=1
Библиографические ссылки
1. Никонов В. Распознавание возраста по фотографии [Электронный ресурс]. URL: http://log-in.ru/articles/raspoznavanie-vozrasta-po-fotografii/ (дата обращения: 12.09.2013).
2. Потапов А. С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания : монография. СПб. : Политехника, 2007. 205 с.
3. Шмаглит Л. А., Голубев М. Н., Приоров А. Л. Сравнительный анализ алгоритмов выделения лиц на изображениях при наличии нормального шума // Нейрокомпьютеры и их применение : тез. докл. IX Все-рос. науч. конф. М., 2011. С. 37.
References
1. Nikonov V. Recognition of age on photography. Available at: http://log-in.ru/articles/raspoznavanie-vozrasta-po-fotografii/.
2. Potapov A. S. Pattern recognition and machine perception: a general approach based on the principle of minimum description length: monograph. St. Petersburg. Politekhnika, 2007. 205 p.
3. Shmaglit L. A., Golubev M. N., Priorov A. L. Comparative analysis of algorithms for selection of persons in the images in the presence of normal noise. Moscow, 2011, 37 p.
© Лаптева М. А., Болдырев К. М., 2014
УДК 004.418
АВТОМАТИЗАЦИЯ РАСЧЕТА ЗАРАБОТНОЙ ПЛАТЫ ПО НОВОЙ СИСТЕМЕ ОПЛАТЫ ТРУДА
А. С. Лашин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Решается задача автоматизации расчета заработной платы по новой системе оплаты труда. Задача сводится к написанию программного продукта, в котором работники бюджетных организаций могут, не выходя из дома, заполнять каждый месяц отчеты о проделанный работе и сохранять их в удаленной базе данных, с которой дальше работает экспертная комиссия, формируя электронные протоколы автоматически.
Ключевые слова: новая система оплаты труда, НСОТ, автоматизация расчета, заработная плата.
AUTOMATION OF SALARY CALCULATION ACCORDING TO THE NEW COMPENSATION SYSTEM
A. S. Lashin
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
The problem of automation of salary calculation according to the new compensation system is solved. The task is reduced to software product design in which employees of budgetary organizations can, staying at homes, fill in every month reports about the work done and to keep them in a remote database where the expert commission works further, forming electronic protocols automatically.
Keywords: new system of compensation, NSOT, calculation automation, salary.
Бурное развитие информационных технологий обусловило необходимость выработки новых подходов к решению проблем автоматизации деятельности различных организаций, служб, предприятий. Работа таких организаций связана с накоплением большого количества информации. До сих пор информацию такого рода собирают и хранят в бумажном виде. И, разумеется, она занимает довольно большие объёмы. Вся информация заносится вручную на бумажные листы, что создает большие неудобства, затрачивается большое количество времени, и, естественно, работа такого вида сама по себе очень кропотлива. Результатом внедрения информационных технологий в деятельность человека является облегчение выполнения повседневной работы, ускорение получения требуемых результатов, а также снижение
ошибок в работе, связанных с человеческим фактором [1].
С появлением новой системы оплаты труда в бюджетных учреждениях работникам требуется каждый месяц заполнять больше количество бумаг с отчетами о проделанной работе. Каждый работник вручную должен заполнять оценочные листы с подробным описанием критериев, наименований и количеством выполненной работы. Затем такие оценочные листы собирает экспертная комиссия и вручную набирает всю информацию за каждого работника в MS Excel, все подсчитывает вручную и формирует протокол. На сбор информации от сотрудников и составление протокола уходит больше двух рабочих дней.
В качестве среды программирования выбор пал на Embarcadero RAD Studio XE3. Программный продукт
