CC BY
19Решетневские чтения
те. После этого необходимо вычислить область спокойного течения воздуха вокруг препятствий. Поскольку снег накапливается, эта область в дальнейшем будет рассматриваться как неизменная. С течением времени необходимо периодически повторно вычислять поток, чтобы отразить получающиеся изменения. Места вокруг препятствий формируются в сетку ячеек. Ячейки, находящиеся в пределах препятствий, отмечены как неизменные. Ячейки, расположенные непосредственно выше горизонтальных поверхностей, отмечены как площадь, подвергающаяся изменениям [1].
Техника моделирования снега является достаточно эффективной для представления заснеженного ландшафта с учетом особенностей различных поверхностей. Используя уравнения вычисления потока воздуха на местности и вычисления освещенных участков, можно получить реалистичный эффект, который в дальнейшем может быть применен в компьютерных мультипликациях.
Библиографический список
1. Фиаринг, П. Компьютерное моделирование снега / П. Фиаринг. М. : аСм «Сиграф», 2000. С. 37-46.
S. S. Smolentseva
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
OCCLUSION-BASED ACCUMULATION SIMULATION
The main ways of snow simulation are covered in this paper. The algorithm of snow accumulation on mountainous terrain and terrain with obstacles is presented. The results of the algorithm show realistic three-dimensional images of snow accumulation with imitation snow drifts, furrows, and a thin layer of snow on the windy and shaded areas.
© CMO^H^Ba C. C., 2009
УДК 004.932
А. О. Ткаченко
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ ПО ИЗОБРАЖЕНИЮ РАДУЖНОЙ ОБОЛОЧКИ ГЛАЗА
Поставлена цель разработки и реализации алгоритма распознавания человека по рисунку радужных оболочек глаз на изображениях. Проведен анализ задач, необходимых для достижения данной цели.
На сегодняшний день проблема идентификации человека является актуальной в различных сферах жизни. Традиционные системы идентификации требуют знания пароля, наличия ключа, идентификационной карточки, либо иного идентифицирующего предмета, что усложняет работу с ними. Поэтому все большее распространение получают биометрические системы, основанные на уникальных биологических характеристиках человека, которые трудно подделать и которые однозначно определяют конкретного человека. К таким характеристикам относятся отпечатки пальцев, форма ладони, узор радужной оболочки, изображение сетчатки глаза [1].
Распознавание человека по изображению радужной оболочки глаза выделяется среди биометрических систем тем, что, во-первых, оболочка
имеет очень сложный рисунок, в ней много различных элементов. Поэтому даже не очень качественный ее снимок позволяет точно определить личность человека. Во-вторых, радужная оболочка является объектом довольно простой формы (почти плоский круг). Благодаря этому процесс распознавания личности по изображению радужной оболочки глаза упростился, появилась возможность учесть все искажения изображения, возникающие из-за различных условий съемки. Поскольку радужная оболочка глаза человека не меняется в течение всей его жизни с самого рождения, то процесс идентификации по ней дает высокую надежность [2].
Были изучены некоторые методы локализации и распознавания на изображении радужной оболочки глаза. Помимо проблем устранения шумов
Информатика и информационно-управляющие системы
на изображении встает вопрос об аппроксимации внешнего контура радужной оболочки, поскольку он может быть закрыт ресницами или веками. В настоящее время реализован алгоритм поиска радужной оболочки глаза на изображении и простейший метод распознавания, основанный на геометрических и цветовых признаках.
Библиографический список
1. Wildes, R. P. Iris Recognition: An Emerging Biometric Technology / R. P. Wildes // Proc. of The IEEE. 1997. Vol. 85. № 9 (September). Р. 1347-1347.
2. Tisse, Ch.-l. Person identification technique using human iris recognition / Ch.-l. Tisse, L. Martin, М. Robert // Proc. of Vision Interface. 2002. Р. 294-299.
А. O. Tkachenko
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
IDENTIFICATION OF A PERSON BY IRIS IMAGES
The aim of the research is to develop and implement an algorithm for recognition of a human iris in images. The analysis of tasks required to achieve this aim is made.
© TraneHKO A. O., 2009
УДК 004.932.2
И. В. Тупицын
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ПРОСТОЙ АЛГОРИТМ ПОСТРОЧНОГО СОВМЕЩЕНИЯ С ЭВРИСТИКОЙ ДЛЯ СЛАБОТЕКСТУРИРОВАННЫХ ОБЛАСТЕЙ
Представлен простой метод реконструкции промежуточных ракурсов при стереосъемке, основанный на вычислении коэффициента соответствия. Рассматриваются преимущества и недостатки этого метода.
Задача восстановления трехмерной структуры сцены по двум изображениям находит свое применение во многих областях. В последнее время интерес к данной области возрос благодаря появлению устройств, способных воспроизводить объемные изображения без использования очков (многоракурсные дисплеи). Для работы таких устройств требуется несколько ракурсов воспроизводимой сцены, однако, как правило, исходно имеется лишь два. Для получения недостающих ракурсов могут быть использованы алгоритмы стереозрения.
Для совмещения стереоснимков и получения карты смещений D(x) (disparity map) используется простой алгоритм построчного совмещения с эвристикой для слаботекстурированных областей. Перед совмещением делается ректификация, т. е. приведение эпиполярных линий к горизонтальным линиям. Коэффициент соответствия вычисляется методом нормированной кросскорреляции с нулевым средним (Zero-Mean Normalized Cross-Correlation, ZNCC):
ZNCC ( a, b) = -
t( a - a )(b - b )
t (a - a)2 )| t (b, - b)
где а и Ь - значения пикселей для правого и левого кадров. Здесь определяются соответствия с помощью коэффициента Х~ИСС вдоль строк. Окно Х^СС берется прямоугольным, вытянутым по оси ОХ. Перед вычислением самого Х^СС отбираются подходящие точки, т. е. не совсем «ровные», где производные малы. Соответствия на правом снимке для каждой точки на левом снимке отбираются по следующим признакам: координата х соответствия на снимке справа должна находиться там же или левее координаты х на снимке слева; соответствие должно иметь локальный максимум (в противном случае не удастся провести вычисление с субпиксельной точностью).
Далее соответствия сортируются по полученным значениям Х^СС и на выход подаются по порядку, причем, если либо левая, либо правая
