CC BY
39Решетневскуе чтения. 2014
with Different Term Weighting Schemes // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO'2014). 2014. Vol. 2. P. 845-850.
7. Семенкин Е. С., Шабалов А. А. Система автоматизированного проектирования коллективов интеллектуальных информационных технологий для задач анализа данных // Программные продукты и системы. 2012. № 4 (100). С. 70-73.
8. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. № 4 (50). C. 99-103.
9. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4 (50). C. 148-152.
10. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4 (50). C. 112-116.
References
1. Gumennikova A. V., Emelyanova M. N., Semenkin E. S., Sopov E. A. VestnikSibGAU. 2003, № 4, p. 14.
2. Semenkina O. E., Semenkina O. E. Programmnye produkty i sistemy. 2013, № 3 (103), pp. 129-133.
3. Akhmedova Sh., Shabalov A. Development and Investigation of Bio-logically Inspired Algorithms Cooperation Metaheuristic. Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO'13). 2013, p. 1417-1418.
4. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms. Proceedings of the IEEE Congress on Evolutionary Computation (CEC'2013). 2013, p. 2207-2214.
5. Akhmedova Sh. A., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), p. 92-99.
6. Akhmedova Sh., Semenkin E., Sergienko R. Automatically Generated Classifiers for Opinion Mining with Different Term Weighting Schemes. Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics (ICINC0'2014). 2014, volume 2, p. 845-850.
7. Semenkin E. S.., Shabalov A. A. Programmnye produkty i sistemy. 2012, № 4 (100), p. 70-73.
8. Brester Ch. Yu., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), p. 99-103.
9. Stanovov V. V., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), p. 148-152.
10. Khritonenko D. I., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), p. 112-116.
© AxMegoBa m.A., 2014
УДК 004.932.2
ФОРМИРОВАНИЕ ВЕКТОРОВ ПРИЗНАКОВ ИЗОБРАЖЕНИЯ ПОДПИСИ
Р. П. Баранов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: zeatool@gmail.com
Рассматривается подзадача задачи идентификации человека по изображению его личной подписи. Приведен подход к предварительной обработке изображения подписи для ее последующего анализа.
Ключевые слова: подпись, идентификация, обработка изображений, распознавание подписи.
FORMATION OF FEATURE VECTORS OF SIGNATURE IMAGE
R. P. Baranov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: zeatool@gmail.com
A subtask of the assignment of the person identification by image by person signature is considered. An approach for preprocessing the image signature for subsequent analysis is demonstrated.
Keywords: signature, identification, image processing, pattern recognition signatures.
Известны два основных способа идентификации человека по его личной подписи.
Первый из них основан на динамическом (online) анализе фрагментов подписи в процессе ее
формирования, а второй (off-line) способ основан на исследовании статической подписи и сводится к построению векторов признаков изображения подписи [1].
Программные средства и информационные технологии
Одним из глобальных признаков является уклон подписи, который является отношением между длиной подписи и ее шириной с учетом фактора давления. Данный признак используется в качестве имитации нажатия пера при обработке статической подписи [2]. Для построения вектора признаков также используются и другие характеристики:
1. Наклонная подписи отображает три основных уклона подписи: правый (КО), вертикальный (УК) и левый (ЬЕ), = {КО, УК, ЬЕ}.
2. Отношение между длиной подписи и ее шириной GF2 включает в себя пять отношений: значительно меньше (БМ), меньше (БТ), равно (ЕТ), больше (ЬТ) и значительно больше (ЬМ), GF2 = {БМ, БТ, ЕТ, ЬТ, ЬМ}.
3. Соотношение ширины подписи к средней ширинеGFзOтображает три типа: малое (ЬШ), нормальное (ИШ), высокое (ЯШ), GF3 = {ЬШ, ИШ, ЯШ}.
4. Соотношение длины подписи к средней длинеGF4Oтображает три типа: малое (ЬЬ), нормальное (ИЬ), высокое (ЯЬ), GF4 = {ЬЬ, ИЬ, ЯЬ }.
5. Окружность с максимальным радиусом, описывающая изображение подписи, GF5 включает в себя два параметра: центр координат (хс, ус) в эвклидовом пространстве с максимальным радиусом (Ктах),
GF5 = {(Хс, Ус), Ктах}.
6. Глубина нажатия пера GF6 вычисляется как отношение между фрактальной размерностью и скелетом подписи (ЕБ), каждая характеристика описывается квадратом площадью 16x16 пикселей. Нормализованное изображение подписи представляется в виде квадратной сетки данной размерности и описывает множество GF6, включающее в себя соотношениеЕБ для каждой ячейки сетки, GF6 = {ЕБ1, ЕБ2, ..., ЕБп}. Скелетное представление подписи, изображенное на рисунке, является эффективным методом для того, чтобы найти структурное соотношение между основными компонентами объекта (в данном случае подпись).
В задаче распознавания подписи строится дерево решений, включающее в себя векторы GF1 ... GF6, и на различных иерархических уровнях выгружаются образцы эталона подписи, которые в дальнейшем помещаются в базу данных.
При задаче идентификации человека по его подписи дерево решений помогает найти процентное соотношение изображения подписи и его эталона.
Скелет изображения подписи
Библиографические ссылки
1. Баранов Р. П. Идентификация личной подписи человека // Решетневские чтения : материалы XV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2011. С.603-604
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений : пер. с англ. М. : Техносфера, 2005. 1072 с.
References
1. Baranov R. P. Identifikatsiya lichnoy podpisi cheloveka // V materialah XV mezhdunarodnoy nauchnoy konferentsii "Reshetnevskie chteniya". V 2 ch., Ch. 2. Krasnoyarsk, 2011. S. 603-604
2. Gonsales R., Vuds R. Tsifrovaya obrabotka izobrazheniy : per. s angl. M. : Tehnosfera, 2005. 1072 s.
© Баранов Р. П., 2014
УДК 004.932.2
ПРИМЕНЕНИЕ КАРТ КОХОНЕНА ДЛЯ ВОССТАНОВЛЕНИЯ СЛАБОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ
А. Н. Болгов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: anbolgov@gmail.com
Рассматривается одно из решений задачи восстановления фоновых пикселей изображения, базирующееся на алгоритме на основе карт Кохонена. Приводится адаптация алгоритма восстановления на основе карты Кохонена и восстановления пикселей фонового пространства изображения на основе обученной карты. Разработана архитектура мультиагентной системы и приведены результаты экспериментов.
Ключевые слова: реконструкция изображений, карты Кохонена.
