CC BY
34
Интернет-журнал «Науковедение» ISSN 2223-5167 http ://naukovedenie.ru/ Том 7, №3 (2015) http ://naukovedenie. ru/index.php?p=vol7-3 URL статьи: http://naukovedenie.ru/PDF/02TVN315.pdf DOI: 10.15862/02TVN315 (http://dx.doi.org/10.15862/02TVN315)
УДК 004.93
Штанчаев Хайрутин Баширович
ОАО «Каспийский завод листового стекла» ФГБОУ ВПО «Дагестанский государственный технический университет»
Россия, Махачкала1 Инженер АСУ ТП Аспирант
E-mail: shtanchaev.h@gmail.com
Исследование оптимальных решающих процедур для идентификации и классификации человека
на изображении
1 367026, Россия, Республика Дагестан, Махачкала, проспект Имама Шамиля 32, корп. Б, кв. 9
Аннотация. Статья посвящена исследованию оптимальных решающих правил процедур для идентификации человека. Данная задача является третьей основной проблемой в области распознавания образов. Объекты распознавания и классификации рассматриваются с точки зрения измерения качественных и количественных характеристик. Для поставленной задачи, в статье были представлены три варианта решения. Описана математическая модель решающих процедур таких как: метод вычисления прямой аналогии основанный на нечеткой логике и поиске аналогии между нечетко представленными объектами; метод вычисления разностных термов который базируется на расчете разностных термов лингвистических переменных и их сравнении; метод раздельного вычисления разностных термов с построением таблицы термов и поэтапном распознавании. В статье проведен анализ данных методов и тесты по таким критериям качества как: точность распознавания, среднее быстродействие при распознавании, зависимость времени работы алгоритма распознавания от количества записей в базе знаний, зависимость точности и быстродействия от аппаратной конфигурации. Приведены все результаты тестов и таблицы расчетов в виде графиков. По полученным графикам и таблицам сделаны соответствующие выводы об описанных процедурах для распознавания и определена наилучшая среди представленных.
Ключевые слова: распознавание образов; лингвистические переменные; образ; алгоритм распознавания; термы; прямая аналогия; косвенная аналогия; признак объекта.
Ссылка для цитирования этой статьи:
Штанчаев Х.Б. Исследование оптимальных решающих процедур для идентификации и классификации человека на изображении // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №3 (2015) http://naukovedenie.ru/PDF/02TVN315.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/02TVN315
Введение
Объекты (образы), подлежащие распознаванию и классификации с помощью автоматической системы распознавания образов, должны обладать набором измеримых характеристик. Когда для целой группы образов результаты соответствующих измерений оказываются аналогичными, считается, что эти объекты принадлежат одному классу. Цель работы системы распознавания образов заключается в том, чтобы на основе собранной информации определить класс объектов с характеристиками, аналогичными измеренными у распознаваемых объектов [3, 6]. Правильность распознавания зависит от объема различающей информации, содержащейся в измеряемых характеристиках, и эффективности использования этой информации. Если бы мы были в состоянии измерить все возможные характеристики и обладали неограниченным временем для обработки собранной информации, то можно было бы достичь вполне адекватного уровня распознавания, используя самые примитивные методы. В обычной практике, однако, ограничения по времени, пространству и затратам требуют развития реалистических подходов. Каждая измеренная величина является некоторой характеристикой образа или объекта [1, 3, 5, 6]. Результаты измерений обычно представляются в виде вектора измерений или вектора образа:
х = (Х;1) (1)
\хп/
Задача связанная с поиском решающих процедур для распознавания является третьей основной проблемой в области распознавания образов [7, 8].
Для реализации задачи классификации объекта (распознавания) было предложено три варианта решения:
1. Вариант вычисления прямой аналогии.
2. Вариант вычисления разностных термов лингвистических переменных.
3. Вариант раздельных разностных термов.
Распознавание методом вычисления прямой аналогии
Аналогия - подобие равенство отношений, сходство предметов (явлений, процессов) в каких-либо свойствах. Между сравниваемыми объектами может быть, как различие, так и подобие. При управлении инструментальной деятельностью, принятие решений может базироваться на двух типах аналогии: прямая, косвенная.
Прямая аналогия определяется при наличии двух сравниваемых объектов, имеющих одинаковые характеристики и свойства.
Косвенная аналогия связана, например, с определением одинаковых результатов, которые можно получить при использовании этих объектов в процессе инструментальной деятельности [9].
Для распознавания образов достаточным будет проверить прямую аналогию между объектами. Для классификации представим объект для распознавания О в виде:
0=А1&А2&^.Ап (2)
Здесь знак & не является знаком арифметических или логических операций. Он показывает, что все эти множества имеют место одновременно. Для определения прямой аналогии между объектом О1 распознавания и эталонным объектом О2 необходимо выяснить содержатся ли параметры объекта О1(х;) в характеристиках эталонного объекта О2(х]):
где XI - множество характеристик объекта распознавания;
xj - множество характеристик эталонного объекта.
т.е. 01(xí) ~ 01(xj)
Пусть имеется два объекта O1(X1) и O2(X2) эти объекты аналогичны если:
1-Х1 ^Х2 2.Х1
при этом:
l*ll * |*2l
Пусть имеется объект распознавания представленный в виде нечеткого множества:
А = {(х,дл(х))/дл(х) > 0} И пусть имеется эталонный объект:
Я i = {(^PbMV^BM > 0}
|i(x) — функция принадлежности, характеризующая степень принадлежности свойства x к объекту (нечёткому множеству).
Объекты А ,5 ¿ аналогичны тогда и только тогда:
р > Л
~ ч 2ш ,В ,)=-
т = |Л U I4¿|
п=т + |я ¿i
Vx¿ е X, x¿ е А , x¿ е I4 ¿
где: h - порог аналогии. Порог аналогии выставляется пропорционально количеству записей в базе знаний и устанавливается экспертом.
Данный вариант распознавания образов применительно к объекту описываемый выражением (2) будет записан как:
O-Oa
Объект распознавания будет иметь вид: О = {(х,Дл1(х))/Мл1(х) > 0}&{(х,дЛ2(х))/дЛ2(х) > 0}&-&{(х,дЛп(х))/иЛп(х) > 0} (3) Соответственно эталонный объект будет иметь вид:
(х,дл«1(х)) "I [(х,дл«2(х))
О* = -> 0
-0
&ií^>0¡ (4)
1 1
А условие наличия аналогии выглядит следующим образом:
(рА1 > К)АЫО(рА2 > К)АМБ ...АМО(рАп > К) (5)
р(А-1 ,А 1*),р(А2,А 2*).....р(А~ ,А п*) (6)
Если условие 5 выполняется то объекты можно считать аналогичными. Т.е. Объект О распознан как объект O . Метод достаточно прост и позволяет получать достаточно хорошие результаты распознавания. Однако используя данный метод, мы можем только выяснить, аналогичны объекты или нет. При работе СРО может быть ситуация когда распознаваемый объект в какой-то степени аналогичен сразу нескольким эталонным объектам. Для того, чтобы исключить этот недостаток будем вычислять степень аналогии используя второй вариант решения задачи.
Распознавание методом вычисления разностных термов лингвистической переменной.
Представим признаки исходного объекта как множество:
А = {а,1... а^}
Отметим, что таких множеств может быть N в зависимости от поставленной задачи и тогда множество A образуется как:
А = [а*... а121}&[а21 ... а221}&[Ь1... Ь^Ш^ ... Ъ^Шс! ... с^Жс2,... с2*} = [а* ... а(} (7)
где: A - исходный объект;
а* ...а^ - признаки исходного объекта.
В1 = [Ь[...Ь}}
Вг - один из объектов из множества B которые расположены в базе знаний
Ъ{ ... ЪI- признаки объекта Вг.
имеем множество:
е А, ЧЬ] е В1
Р1 = [Р1 .-Рк}
рк = аК- ЬК k=N - количество признаков. Обозначим лингвистическую переменную "Разность" [4, 11].
(8)
L= (Разность, T {"очень маленькая, маленькая, средняя, большая, очень большая"},
[0,|30|]*, ^ од.
Пределы для формирующего правила[0,|30|] задаются в ручную в зависимости от поставленной задачи.
Рис. 1. Лингвистическая переменная «Разность»
Фаззифицировав множество Р относительно Ь получим таблицу разностей термов
вида:
Таблица 1
Таблица разностей термов лингвистической переменной «Разность»
Р1 Р2 Рз Р126
5т Т(х) Т(х) Т(х) Т(х) Т(х)
Т(х) Т(х) Т(х) Т(х) Т(х)
Т(х) Т(х) Т(х) Т(х) Т(х)
Для каждого 5г считается количество Т(х)="очень маленькая". И к объекту, у которого это количество будет больше можно отнести исходный объект. Это количество откладывается на графике лингвистической переменной О, термы которой представляют собой {" 15%,30%,50%,75%,100%"}.
Результатом распознавания будет название объекта 5г и точность распознавания, т.е. О(Т(х)).
0 25 50 75 100 126 Рис. 2. Лингвистическая переменная для расчета точности распознавания
В случае если точность распознавания не достигается в контексте той или иной задачи необходимо увеличить количество признаков объекта. Стоит отметить что при этом увеличатся ресурсы затрачиваемые на обработку изображения и на хранение базы знаний.
Распознавание методом раздельного вычисления разностных термов.
Отличие данного метода от предыдущего заключается в том, что объект представляется как:
А = (а! ... аУ&Са? ... а!^ ог (Ь*... Ь^ЖЬ? ... Щ ог {с1... с^&Сс? ... сУ
Т.е. каждый объект представляется как раздельная группа признаков. Распознавание может проходить в один, два или N этапов (зависит от количества групп признаков объекта).
1 этап.
Таблица разностных термов строится в первую очередь для первой группы признаков. Затем исходя из лингвистической переменной О которую можно видеть на рисунке 2 мы получим терм выражающую точность для каждого объекта 5г. Если это терм "100%" результатом распознавания будет название объекта 5г. В ситуации если отсутствует 100 процентный результат распознавания те объекты для которых терм равен "15%" или "30%" выпадают из дальнейшего процесса распознавания, а объекты для которых терм равен "50%" или "75%", переносятся в следующий этап распознавания.
2 этап.
Следующий этап распознавания состоит из постройки таблицы разностных термов для второй области. Однако строить необходимо не для всех элементов, а для тех которые перешли из 1 этапа. Далее все действия повторяются.
N этап.
На этом этапе строится таблица разностных термов для объектов перешедших из предыдущего этапа. В конце данного этапа должен быть получен результат распознавания. При отсутствии на данном этапе объекта у которого терм равен "100%", в качестве результата может быть выбран другой объект у которого значение наиболее приближенное к терму "100%". Если результат не получен значит распознавание не произошло.
Тестирование методов распознавания.
Для качественной и количественной оценки систем распознавания и различных классификаторов пользуют различные критерии [2].
При тестировании исследуемых алгоритмов распознавания выбраны следующие критерии качества:
1. Точность распознавания.
2. Среднее быстродействие при распознавании.
3. Зависимость времени работы алгоритма распознавания от количества записей в базе знаний.
4. Зависимость точности и быстродействия от аппаратной конфигурации персональной электронной вычислительной машины (далее ПЭВМ).
Исходя из этих критериев качества по выше описанным решающим процедурам был написан программный продукт. В базу знаний которого были занесено определенное количество записей о людях изображенных на фотографиях.
Для определения точности обозначим алгоритмы следующим образом:
ВА - алгоритм вычисления аналогии.
РТ - алгоритм вычисления разностных термов.
РРТ - алгоритм раздельного вычисления разностных термов.
Для проведения тестов программному продукту было предложено 20 изображений с людьми:
Рис. 3 Рис. 4 Рис. 5
Рис. 6
Рис. 7
Рис. 8
Рис. 10 Рис. 11
Рис.12
Рис. 13
Рис. 9
Рис. 14
Рис. 15 Рис. 16 Рис. 17 Рис. 18
Рис. 19
Рис. 20
Рис. 21
Рис. 22
1. Точность распознавания.
Точность распознавания будем определять в зависимости от двух показателей КЛС и
КВС.
КЛС - количество ложный срабатываний: КЛС=(Л0/0К0)*100% КВС - количество верных срабатываний: КВС=(В0/0К0)*100% где: ЛО - ложно распознанные объекты; В0 - верно распознанные объекты;
ОКО - общее количество объектов;
Для каждой из 20 изображений были подсчитаны КЛС и КВС. Результат подсчета можно видеть в следующей таблице:
Таблица 2
КЛС и КВС для 20 выше приведенных изображений
№ изобр. ВА РТ РТ ГТ
КЛС(%) КВС(%) КЛС(%) КВС(%) КЛС(%) КВС(%)
1 25 75 0 100 25 75
2 0 100 0 100 0 100
3 0 100 0 100 0 100
4 0 100 0 100 0 100
5 0 100 0 100 100 0
6 0 100 0 100 0 100
7 0 100 0 100 0 100
8 0 100 0 100 0 100
9 0 100 0 100 0 100
10 50 50 25 75 0 100
11 0 100 0 100 0 100
12 0 100 0 100 0 100
13 0 100 0 100 0 100
14 100 0 0 0 0 0
15 0 100 0 100 0 100
16 0 100 0 100 0 100
17 0 77 0 77 33 77
18 0 100 0 100 0 100
19 0 100 0 100 0 100
20 0 100 0 100 0 100
Из таблицы можно сделать вывод что, алгоритм основанный на вычислении разностных термов имеет наименьшую ошибку КВС и КЛС. Опишем среднюю ошибку КВС и КЛС в виде графика.
102
КВС идеальный
100 98 96 94 92 90 88 86 84 82 80
График 1. Средняя ошибка по КВС
ю
9 8 7 6 5 4 3 2 1 0
График 2. Средняя ошибка по КЛС 2. Среднее быстродействие алгоритмов распознавания
Для определения среднего быстродействия алгоритмов распознавания будем использовать те же изображения что и в пункте 1, однако в таблице будет описано время для распознавания каждого из объектов.
Таблица 3
Быстродействие алгоритмов распознавания
№ ВА РТ РРТ
1 1,20 1,20 0,9
2 0,6 0,4 0,2
3 0,42 0,25 0,2
4 0,36 0,4 0,28
5 0,4 0,4 0,25
6 0,46 0,34 0,26
7 0,35 0,35 0,24
8 0,35 0,3 0,23
9 0,4 0,29 0,28
10 2 1,9 1,20
11 0,3 0.40 0,24
12 0,28 0,32 0,25
13 0,25 0,4 0,3
14 0,35 0,32 0,2
15 0,25 0,4 0,2
16 0,26 0,34 0,2
17 1,20 1,20 0,8
18 1,20 1,20 0,9
19 0,80 0,80 0,9
20 0,40 0,40 0,2
По данным из таблицы получим среднее значение быстродействия и отметим их на графике.
График 3. Среднее быстродействие алгоритмов распознавания
Как можно видеть из таблицы и рисунков алгоритм РРТ превосходит два других по быстродействию. В среднем на распознавания человека у РРТ уходит 41 мс, что очень хороший показатель.
3. Зависимость времени работы алгоритмов от количества записей в базе знаний
Третий критерий качества показывает, как меняется время распознавания того или иного алгоритма исходя от количества записей в базе знаний. Так как большое количество записей увеличивает время на поиск в БЗ, соответственно и время на распознавания должно увеличиваться прямо пропорционально. Для проведения теста была выбрана одна фотография и увеличивая количество записей в БЗ и перемещая нужную запись по тестируемой фотографии получим график того как меняется время одной и той же фотографии.
1,4
1,2
ТУ 1 1
ё i 0,8 и >s
4 0,6 О
СУ 0,4 л ш
0,2 О
оооооооооооооооооооо .-1гчтчГ1Л0кЛ01Л0000000а000
1Н»чсЧГЧт*Г1ЛЮ1/101ЛОООО rt Н N ff М о
КОЛИЧЕСТВО ИЗОБРАЖЕНИЙ
График 4. График зависимости быстродействия от количества изображений в БЗ.
Из графика следует вывод, что все три метода устойчивы к увеличению записей в БЗ. Наблюдается незначительное увеличение времени работы алгоритмов ВА и РТ. Что касается РРТ он не подвержен никакому влиянию роста БЗ. Количество записей в БЗ достигло 10000. На данном этапе эксперимент был остановлен, т.к. не имеет смысла.
4. Быстродействие алгоритмов в зависимости от конфигурации ПЭВМ.
Для проведения данного теста были предложены три конфигурации ПЭВМ обозначим их по порядку с указанием параметров процессора, ОЗУ и накопителя:
Конфигурация 1: Intel Core i3-4160 (3,6 ГГц, 3 МБ L3), 4 ГБ DDR3-1600, HDD 500Гб, 7200 об/мин (без указания производителя).
Конфигурация 2: VIA C3 (1200 Мгц), 512МБ DDR-266, 80Gb, 5400 об/мин (без указания производителя).
-•-ВА -О-РТ -*-РРТ
Конфигурация 3: Intel Core i7-4770K (3.5 ГГц, 8 CPU's), 16Гб, SSD Crucial 128 Мб.
Не трудно видеть, что вышеописанные конфигурации являются двумя крайними и одной средней конфигурациями. На всех персональных ПЭВМ с данными конфигурациями был проведен тест на проверку быстродействия всех трех алгоритмов. Результаты данного теста приведены в таблице.
Как видно из таблицы в зависимости от конфигураций ПЭВМ изменяется быстродействие в соответствующую сторону. Из всего вышеуказанного можно сделать вывод что минимальными требованиями при которых показания быстродействия не ухудшаются можно считать: процессор не менее 1ГГц. И 1Гб ОЗУ. Производитель в данном вопросе не имеет значения.
I Конфигурация 1 ■ Конфигурация 2 ■ Конфигурация 3
График 5. Быстродействие алгоритма ВА в зависимости от конфигурации ПЭВМ
I Конфигурация ]
График 6. Быстродействие алгоритма РТ в зависимости от конфигурации ПЭВМ
Быстродейтвие алгоритма РРТ
1,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Изображение №
■ Конфигурация 1 ■ Конфигурация 2 ■ Конфигурация 3
График 7. Быстродействие алгоритма РРТ в зависимости от конфигурации ПЭВМ
Заключение
В данной статье исследованы разработанные решающие правила для идентификации и классификации человека. Протестированы разработанные алгоритмы классификации человека. Показано, что алгоритмы устойчивы к росту базы знаний. Как можно понять из графиков наилучшим алгоритмом работы является метод вычисления разностных термов. Как видно у него самая маленькая ошибка по КВС и КЛС. Точность распознавания у алгоритма порядка 95%. ПО увеличению количества записей в базе знаний, а также их плотность (количество записей на одного человека), можно получить точность порядка 96-97%, что является хорошим результатом наиболее приближенным к идеальному.
По алгоритму ВА можно сделать вывод, что алгоритм также имеет неплохую точность распознавания (90%), однако алгоритм имеет много ложных срабатываний. Вероятно это связано с малым количеством записей в базе знаний. По увеличению количества и плотности в ней алгоритм дает резкое снижение ложных срабатываний.
Оставшийся алгоритм РРТ имеет менее точные результаты распознавания. Также алгоритм имеет высокий показатель КЛС, но он меньше чем у ВА. Показания алгоритма улучшаются по увеличению времени обучения программного комплекса. По окончанию исследования установлена оптимальная конфигурация ПЭВМ для работы разработанных алгоритмов.
ЛИТЕРАТУРА
1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. — М.: Наука, 1974. — 416 с.
2. Вежневец В.П. Оценка качества работы классификаторов [Электронный ресурс].
— Режим доступа: http://cgm.computergraphics.ru/content/view/106 (дата обращения 17.01.2015).
3. Горелик А.Л., Скрипкин В.А. Методы распознавания. — 4-е изд. — М.: Высшая школа, 1984, 2004. — 262 с.
4. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. Заде; под ред. Н.Н. Моисеева и С.А. Орловского.
— М.: Мир, 1976. - 168 с.
5. Л. Шапиро, Дж. Стокман. Компьютерное зрение = Computer Vision. — М.: Бином. Лаборатория знаний, 2006. — 752 с.
6. Ту Дж., Гонсалес Р. Принципы распознавания образов. — М. 1978.
7. Фу К. Структурные методы в распознавании образов. — М.: Мир, 1977.
8. Чэн Ш.-К. Принципы проектирования систем визуальной информации. — М.: Мир, 1994. — 408 с.
9. Штанчаев Х.Б. Распознавание косвенно-аналогичных между собой объектов // Современные информационные технологии в проектировании, управлении и экономике — Махачкала, 2011. — C. 81-86.
10. Colmenarez A.J. and Huang T.S. Frontal view face detection // Proceedings of SPIE, 1995. — Vol.2501. — Part 1. - P. 90-98.
11. Zimmerman H.-J. Fuzzy Set Theory and its Applications. Dordrecht: Kluwer Academic Publishers. 1996. 315.
Рецензент: Мелехин Владимир Борисович, заведующий кафедры вычислительной техники, доктор технических наук профессор, ФГБОУ ВПО «Дагестанский государственный технический университет», Россия, Махачкала.
Shtanchaev KHairutin Bashirovich
Caspian Flat Glass/ Dagestan State Technical University Russia, Dagestan republic, Makhachkala E-mail: shtanchaev.h@gmail.com
Research of optimal decision procedures for the human identification and recognition
Abstract. The article devoted the optimal decision rules of procedures for the human identification. This task is the third main problem in pattern recognition. Recognition and classification of objects considered in terms of measuring the qualitative and quantitative characteristics. For this problem, in the article, were presented three options. Described the mathematical model of decision procedures such as: a method for calculating direct analogy based on fuzzy logic and fuzzy search for analogies between the fuzzy objects; method of calculating the difference of terms which is based on calculating the difference of the terms of linguistic variables and their comparison; method of calculating the difference of separate terms with the construction of a table of terms and gradual recognition. The article analyzes the data and methods of tests on such criteria as quality: the recognition accuracy, the average speed during recognition, the time dependence of the recognition algorithm on the number of records in the knowledge base, the dependence of the accuracy and speed of the hardware configuration. Lists all the tests and calculation tables in the form of graphs. According to the obtained graphs and tables corresponding conclusions about the procedure to recognize and identify the best among those represented.
Keywords: pattern recognition; linguistic variable; pattern; recognition algorithm; term; direct analogy; indirect analogy; sign of the object.
REFERENCES
1. Vapnik V.N., Chervonenkis A.Ya. Teoriya raspoznavaniya obrazov. — M.: Nauka, 1974. — 416 s.
2. Vezhnevets V.P. Otsenka kachestva raboty klassifikatorov [Elektronnyy resurs]. — Rezhim dostupa: http://cgm.computergraphics.ru/content/view/106 (data obrashcheniya 17.01.2015).
3. Gorelik A.L., Skripkin V.A. Metody raspoznavaniya. — 4-e izd. — M.: Vysshaya shkola, 1984, 2004. — 262 s.
4. Zade L. Ponyatie lingvisticheskoy peremennoy i ego primenenie k prinyatiyu priblizhennykh resheniy / L. Zade; pod red. N.N. Moiseeva i S.A. Orlovskogo. — M.: Mir, 1976. - 168 s.
5. L. Shapiro, Dzh. Stokman. Komp'yuternoe zrenie = Computer Vision. — M.: Binom. Laboratoriya znaniy, 2006. — 752 s.
6. Tu Dzh., Gonsales R. Printsipy raspoznavaniya obrazov. — M. 1978.
7. Fu K. Strukturnye metody v raspoznavanii obrazov. — M.: Mir, 1977.
8. Chen Sh.-K. Printsipy proektirovaniya sistem vizual'noy informatsii. — M.: Mir,
1994. — 408 s.
9. Shtanchaev Kh.B. Raspoznavanie kosvenno-analogichnykh mezhdu soboy ob"ektov // Sovremennye informatsionnye tekhnologii v proektirovanii, upravlenii i ekonomike — Makhachkala, 2011. — C. 81-86.
10. Colmenarez A.J. and Huang T.S. Frontal view face detection // Proceedings of SPIE,
1995. — Vol.2501. — Part 1. - P. 90-98.
11. Zimmerman H.-J. Fuzzy Set Theory and its Applications. Dordrecht: Kluwer Academic Publishers. 1996. 315.
