Literature
1. Federalnyiy zakon RF ot 27 iyulya 2006 g. «Ob informatsii, informatsionnyih tehnologiyah i o zaschite informatsii» // Sobranie zakonodatelstva RF. - 2006. - # 31. Ch. 1.
2. Zakon RF ot 21 iyulya 1993 g. «O gosudarstvennoy tayne». - M.: Omega-L, 2008.
3. GOST R. 51275-99 Zaschita informatsii. Ob’ekt informatsii. Faktoryi, vozdeystvuyuschie na informatsiyu. Obschie polozheniya.
4. Kryilov, A. N. Moi vospominaniya. - M: Izdatelstvo Akademii nauk SSSR, 1945.
5. Grigorev, A. N. Ugolovno-pravovyie i kriminalisticheskie aspektyi protivodeystviya nezakonnomu oborotu spetsialnyih tehnicheskih sredstv, prednaznachennyih dlya neglasnogo polucheniya informatsii // Vestnik MVD Rossii. - 2010. - # 1 (108).
6. Evtuhov, L., Studenikin, P. Adres - Stavka // Pravda. - 1979. - 4 marta. - # 63 (22128).
7. Karpyichev, V. Y., Rakov, A. A. Issledovanie vozmozhnosti primeneniya spetsialnyih tehnicheskih sredstv dlya obnaruzheniya elektronnyih ustroystv v izolyatorah vremennogo soderzhaniya MVD Rossii // Spetsialnaya tehnika : sb. nauch. trudov. - M.: GU NPO «Spetsialnaya tehnika i svyaz» MVD Rossii, 2009.
8. Horev, A. A. Tehnicheskaya zaschita informatsii : uchebnoe posobie dlya studentov vuzov: v 3 tt.
- T. 1. Tehnicheskie kanalyi utechki informatsii. - M.: NPTs «Analitika», 2008. - S. 366-386.
9. Hoffman, L. Sovremennyie metodyi zaschityi informatsii / per. s angl.; pod red. V.A. Gerasimenko.
- M.: Sov. radio, 1980.
10. Cherkashin, V., Fayfer, G. V poiskah agenta. Zapiski razvedchika. - M.: Mezhdunar. otnosheniya, 2007.
11. Entsiklopediya promyishlennogo shpionazha / Yu.F Katorin, E.V. Kurenkov, A.V. Lyisov, A.N. Ostapenko. - SPb.: Poligon, 1999.
12. Erli, P. Semya shpionov. Iznanka shpionskoy seti Dzhona Uokera / per. s angl. - M.: Mezhdunar. otnosheniya, 1997.
УДК 004.932.2 Н.Л. Щеголева*, А. Туяка**
К вопросу совершенствования современных габитоскопических регистрационно-поисковых систем
В статье проведен анализ и дана оценка состояния проблемы сравнения фотопортрета-оригинала и соответствующего ему субъективного портрета. Рассмотрены существующие методы автоматического формирования субъективных портретов, поиска и распознавания фотопортрета по субъективному портрету (и наоборот). Определены способы повышения эффективности использования субъективных портретов.
Ключевые слова: распознавание лиц, рисованный портрет, автоматическое формирование рисованных портретов, сравнение фотопортрета и рисованного портрета
N.L. Shchyogoleva*, A. Tujaka**. On improvement of modern face photo-sketch registration and retrieval systems. The article analyzes the problem of comparing Face Photo and Sketch. Existing methods of sketch synthesis, face photo-sketch comparison, sketch retrieval and recognition. Identified ways to improve the use of sketch.
Keywords: face recognition, art sketch, sketch synthesis, face photo-sketch comparison, sketch recognition system, two-dimensional cosine transform
Введение
Установить личность по внешним признакам - задача, которая постоянно возникает в работе сотрудников полиции не только при розыске преступников, скрывшихся с мест происшествий, но и при поиске пропавших. Как правило, основным способом описания личности является составление свидетелями или родственниками субъективного портрета разыскиваемого или причастного к происшествию лица.
Следует отметить, что сам термин «субъективный портрет» очень точно отражает процесс его получения, потому что каждый свидетель по-своему воспринимает преступника. Особенности
* Щеголева, Надежда Львовна, доцент кафедры математического обеспечения ЭВМ Санкт-Петербургского государственного электротехнического университета (ЛЭТИ), кандидат технических наук. 197376, Россия, Санкт-Петербург, улица Профессора Попова, дом 5. Тел (812) 234-26-82. E-mail: NLSchegoleva@etu.ru
** Туяка, Анджей, адьюнкт кафедры информатики Западно-Поморской школы бизнеса (Щецин, Польша), PhD. E-mail: tujakaandrzej@wp.pl.
* Shchyogoleva, Nadezhda Lvovna, docent of Department of Mathematical Computer Software, St. Petersburg State Electrotechnical University (LETI), PhD. Russia, 197376, St. Petersburg, Professor Popov str., 5. Tel: (812) 234-26-82. E-mail: NLSchegoleva@etu.ru
**Tujaka, Andrew, Associate Department of Computer Science of the West Pomeranian Business School (Szczecin, Poland), PhD. E-mail: tujakaandrzej@wp.pl.
© Щеголева Н.Л., Туяка А., 2013
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
индивидуального восприятия могут ввести в заблуждение даже специалистов. Например, старушка весьма преклонного возраста, описывая преступника, скажет, что это «молодой мужчина», а на самом деле виновному 40-50 лет. Детям также очень трудно определить возраст другого человека - им
15-летний подросток кажется дядей и т.д.
Намного сложнее описать лицо преступника - с одной стороны стрессовая ситуация накладывает отпечаток на восприятие пострадавшего, а с другой, как было показано в ряде работ по исследованию восприятия человека [1], для распознавания мозг выбирает те характеристики, которые в большей степени отличаются от идеальных - вздернутый нос, запавшие глаза или пухлые щеки, что делает их более актуальными для идентификации человеком, чем их взаимное расположение и пропорциональность. Причем степень отличия данных характеристик от некоторых средних (или идеальных) каждый человек определяет по-разному.
В современной криминалистической практике России используются следующие разновидности субъективных портретов: рисованные, рисованно-композиционные, фотокомпозиционные [2].
В качестве рисованных портретов используются штриховые и полутоновые рисунки лица, создаваемые профессиональными художниками со слов очевидцев - свидетелей и потерпевших.
Рисованно-композиционные портреты составляются из заранее заготовленных стандартных, типизированных рисунков элементов лица (прически, брови, глаза, носы, губы, подбородки, ушные раковины, морщины и складки кожи и такие сопутствующие элементы, как головные уборы и очки). Идея создания таких портретов и один из первых вариантов прибора по изготовлению композиционнорисованных портретов были предложены американским криминалистом Мак-Дональдом и группой специалистов фирмы «Тоунсенд» в 1959 г. («айденти-кит» - идентификационный комплект). Аналогичные приборы несколько позднее были созданы и в других странах.
К фотокомпозиционным портретам относят композиционные изображения человека, обычно его лица, изготовленные с использованием метода монтажа из фрагментов фотоизображений лиц, не причастных к событию преступления. Метод изготовления портретов неизвестных преступников по показаниям очевидцев из фрагментов фотографий был предложен в 1952 г. начальником региональной службы полиции в Лилле (Франция) П. Шабо. В дальнейшем техника изготовления фотокомпозиционных портретов неоднократно модифицировалась. В законченном виде эти портреты выглядят, как обычные фотографические изображения. Такой портрет нередко называют фотороботом.
В отличие от российской полиции, в ряде стран достаточно широко используются рисованные портреты, которые готовят профессиональные художники. Поэтому в литературе, посвященной рассматриваемой проблеме, существует ряд терминов, учитывающих данное обстоятельство: портреты, нарисованные со слов свидетелей (Forensic Face Sketches), портреты, нарисованные художниками по исходным фото (Art Sketches) и передающие основные особенности изображенных на них людей и особенности их лиц [3], портреты, сгенерированные автоматически из исходных фото (Viewed Sketches) и дорисованные художниками [4].
Однако даже опытный художник, делающий эскизы в полиции, нуждается в предварительном длительном и достаточно дорогостоящем обучении. Процесс подготовки одного портрета занимает много времени, кроме того, достаточно часто художник выделяет наиболее характерные черты лица, карикатурно преувеличивая их.
Нзіг
Eyes
Mouth
Рис. 1. Слева - окно программы IdentyKit, справа - FACES
Поэтому пакеты программного обеспечения для составления фоторобота, позволяющие даже нехудожнику синтезировать эскиз после нескольких часов обучения, являются наиболее приемлемой альтернативой в области уголовного правосудия и правоохранительных органов.
Программные продукты для создания фоторобота
В настоящее время существует несколько программных продуктов для создания фоторобота (Composite Sketch), используемых за рубежом [5]. К ним относятся: identiKit [6], Фото-Fit [7], FACES [8], Mac-a-Mug [9], EvoFIT [10].
Первые два являются примерами ранних систем, которые синтезируют эскиз, выбирая из коллекции компоненты лица: волосы, брови, глаза, нос, рот, овал лица, очки (см. рис. 1а). FACES и Mac-a-Mug - пример более современных систем, которые включают в себя дополнительные компоненты лица (например, вид улыбки, шрамы, татуировки) и содержат большее количество вариантов для каждого компонента лица (см. рис. 1б).
Система для составления фотороботов EvoFIT [10] является эволюционной, отличающаяся от компонентных систем тем, что создается целостный образ подозреваемого с использованием генетического алгоритма, основанного на нескольких выбранных формах и текстурах, которые больше всего напоминают подозреваемого.
В настоящее время в органах внутренних дел России используется несколько габитоскопических регистрационно-поисковых систем. Отметим две наиболее совершенные в техническом плане системы
- «Портрет-Поиск» и «Сова».
В модуле поиска системы «Портрет-Поиск» реализованы три алгоритма [11]:
1) антропометрический (алгоритм ориентирован на проведение поиска системой с помощью выставленных оператором 18 антропометрических точек, 8 измерений соотношений отдельных элементов лицевой части головы);
2) частотный (данный алгоритм проводит поиск с точки зрения степени похожести самой структуры изображений, причем приоритетное значение при проведении поиска имеет непосредственно качество используемых изображений);
3) контурный (алгоритм направлен на поиск необходимого субъективного отображения по определению схожести контуров основных элементов лицевой части головы разыскиваемого).
В отличие от системы «Портрет-Поиск», система «Сова» способна осуществлять поиск субъективного портрета только при помощи алгоритма, основанного на измерении расстояния между зрачками глаз.
Однако, как справедливо отмечается в [12], «до настоящего времени возможности субъективных портретов в розыске преступников и раскрытии преступлений используются недостаточно. Как правило, только один из десяти-двенадцати субъективных портретов приводит к установлению личности с помощью него».
По мнению автора [40], неудовлетворительные результаты использования субъективных портретов связаны со следующим:
1) низкое качество предоставляемых для поиска субъективных портретов, что, в частности, связано с недостаточностью технико-криминалистического обеспечения экспертных подразделений и использованием устаревших, неапробированных программных комплексов.
2) неудовлетворительная функциональная эффективность накопленных габитоскопических массивов, которая определяется качеством их информационного, программного обеспечения, что обусловлено низким научным уровнем проработки системы габитоскопических учетов в целом и отдельных габитоскопических массивов, в частности.
3) неквалифицированное использование регистрационно-поисковых систем в практике установления личности вследствие ограниченной подготовки сотрудников подразделений в области возможностей использования регистрационно-поисковых систем.
Несмотря на имеющийся значительный опыт мировой и отечественной практики использования информации о внешнем облике в целях установления личности и достижения криминалистической науки в этой области, большой интерес и крайнюю необходимость органов обеспечения правопорядка в наличии подобных методов анализа, работ по данной тематике чрезвычайно мало.
Базы данных субъективных портретов
Первой проблемой для поиска решения данной задачи стало отсутствие необходимых баз данных. В настоящее время существует всего несколько небольших баз данных, содержащих изображение лица человека и его фоторобот: CUHK, AR, XM2GTS, CUFSF. При этом субъективные портреты, представленные в первых трех базах данных, достаточно точны, поскольку получены с помощью компьютерной обработки и последующей корректировки, выполненной художником. Значительная часть работ, посвященных распознаванию фото по рисованному портрету (и наоборот), в которых получены достаточно высокие результаты (более 87%), была выполнена с использованием именно указанных баз данных [13, 18, 20, 25, 31, 32].
Отличие базы данных CUFSF заключается в том, что в ней представлены рисованные портреты, сделанные художником по имеющимся в базе данных фотографиям. Поскольку художник, как правило, замечает наиболее характерные детали внешности и их пропорции, но не способен абсолютно точно указать положение частей лица, поиск будет в данном случае чрезвычайно сложным. Поэтому во всех работах, использовавших эту базу данных, осуществляется предварительная обработка рисованных портретов: нормализация изображения таким образом, чтобы глаза находились на одной линии,
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
масштабирование таким образом, чтобы расстояние между глазами было равно определенному числу пикселей, обрезка по краям до заданного размера.
Следует отметить, однако, что в ряде работ [9, 13, 24] авторы не дают полного описания выполненных экспериментов, в частности: способ разделения исходных данных на обучающие и тестовые, наличие и метод предобработки, параметры тестовых изображений. Это существенно затрудняет оценку представленных результатов, не позволяет проверить реализованную модель выполненных экспериментов и использовать полученные результаты в рамках метаанализа.
Сделать значимые выводы о возможности использования какого-либо метода поиска и распознавания рисованного портрета (фоторобота) по фотографии (и наоборот) возможно только после анализа результатов, полученных на репрезентативной выборке, однако большой объем базы данных фотографий делает невозможным привлечение специалистов и художников для создания фотороботов или рисованных портретов.
В связи с этим появилось несколько работ, посвященных решению задачи автоматического создания баз фотороботов (рисованных портретов) в дополнение к известным бенчмарковым базам изображений лиц [13, 16, 17, 33] и последующей разработки методов их сравнения с соответствующими фотопортретами, а также моделирования задач поиска фотопортретов по заданным рисованным портретам (и наоборот), т.е. авторы ряда работ предлагают одновременно метод синтеза фоторобота (псевдорисованного портрета) и метод поиска и распознавания по нему [13, 15, 18, 33].
Несмотря на полученные в данных работах результаты, необходимо отметить: 1) отсутствие формальной оценки качества полученных псевдорисованных портретов и степени их подобия соответствующей фотографии; 2) отсутствие баз данных, отличных от использованных в экспериментах, делает невозможной адекватную оценку предлагаемых ими методов, поскольку полученные результаты могут оказаться в значительной степени зависимыми от способа получения фоторобота (или рисованного портрета).
Вследствие этого представленные в литературе исследования нельзя считать репрезентативными. По сути, они являются только попыткой найти перспективные направления исследований в данной области.
Модальность
Вторая и наиболее важная проблема распознавания субъективных портретов заключается в том, что субъективные портреты и фотографии имеют разную модальность [5] и, соответственно, характеризуются признаками различной природы.
Большая часть опубликованных работ посвящена использованию рисованных портретов. Предлагаемые методы представляют два подхода [5] - они ориентированы либо на модальные преобразования, либо на представление изображений с помощью «модально-нечувствительных» признаков.
Первый подход основан на преобразовании изображения одной модальности (рисованный портрет/фоторобот) в другую модальность (фотография) или наоборот. Методы модального преобразования включают: линейные и собственные преобразования (eigentransformation) [13, 14], модели на основе Марковских полей (Markov Fields model) [15 - 17], 3D-модели [19], применение фильтра Габора для подчеркивания элементов форм, последующее преобразование Радона для усиления информации о текстуре и вычисление гистограммы (Binary Pattern Histogram, BPH), представляющей рисованный портрет в форме «Gabor Shape» [20].
Основным преимуществом данного подхода является то, что традиционные алгоритмы распознавания лиц, предназначенные для одной модальности, после преобразования могут быть использованы для другой модальности. Однако синтезированное фото по сути своей является только псевдофотографией из-за особенностей его создания. Кроме того, разработка методов преобразования одной модальности в другую является более сложной задачей, чем задача распознавания.
Второй подход направлен на представление изображений различной модальности такими признаками, которые, которые снижают внутриклассовые различия изображений одного человека в разных модальностях, но сохраняют (или увеличивают) различия между разными классами (личностями).
К данной категории относятся: метод общего дискриминантного пространства (common discriminant space) [21], последовательно примененные методы SIFT, multiscale LBP и далее классификатор на основе LDA [22], парная спектральная регрессия (coupled spectral regression -CSR) [23], использование совместной теоретико-информационной проекции (coupled information-theoretic projection, CITP) на основе CITE дескриптора (coupled information-theoretic encoding, CITE) [24], метод наименьших частных квадратов (partial least squares - PLS) [25], дискриминантный анализ, основанный на локальных признаках (local feature-based discriminant analysis - LFDA) [26] и LBP характеристики [27], оценка расстояния между основными антропометрическим точками и последующее применение SIFT [18].
Особо следует выделить компонентный подход: Yuen и Man’s [28] впервые исследовали возможности распознавания фотороботов на основе анализа частей лица человека. Эта работа послужила началом для исследований в данной области, и авторы [5] предложили метод, основанный на LFDA; авторы [29] применили не только компонентный подход, но PLS регрессию, фильтры Габора и CCS-POP; в работе [31] использовано преобразование Радона и LRBP; в [32] применяется Histogram of Averaged Oriented Gradients (HAOG), основанный на вычислении градиента изображения.
Результаты анализа
Необходимо отметить, что общей характеристикой перечисленных работ является чрезвычайная сложность предлагаемых в них совокупностей методов: используется много разного рода последовательных преобразований, причем абсолютно не обосновывается их необходимость или преимущества, получаемые для последующей обработки. В большинстве работ отсутствует оценка вычислительной сложности предлагаемых алгоритмов, а это в значительной степени влияет на возможность быстрого поиска в постоянно меняющейся информационной базе данных, имеющей очень большой объем. Кроме того, практически не рассматривается возможность работы предлагаемых алгоритмов в реальном масштабе времени в чрезвычайных ситуациях поиска подозреваемых с помощью новых систем наблюдения, использующих значительное количество (от 30 и более) цифровых видеокамер. И это несмотря на то, что в СМИ регулярно появляются сообщения о разработке или испытании систем городского видеонаблюдения - сети из тысяч камер, установленных в больших городах на улицах и площадях, в аэропортах, на вокзалах, а также в общественном транспорте!
Существующая вычислительная техника позволяет за секунды получать огромное количество информации об объектах наблюдения, что неизбежно влечет за собой увеличение сложности обработки полученных данных и необходимость построения сложных систем автоматической идентификации человека. Одним из путей решения является оптимизация структуры систем [37, 41, 42], однако и эти возможности небезграничны. Другим способом может быть использование в новых системах городского наблюдения [39] цифровых камер с возможностью «интеллектуального видео», т.е. обладающих способностью анализировать полученные данные. Очевидно, методы, используемые в этих камерах, должны быть максимально простыми и быстродействующими [37]. В этом случае значительная часть нагрузки на оп-line систему поиска и распознавания будет снята.
Наиболее перспективным среди представленных методов представляется использование линейных преобразований в собственных базисах [13,] а также методов проекции в подпространства на основе PLS и CCA [25] для трансформации фото в рисованные портреты и наоборот. Учитывая структуру анализируемых данных - пар изображений (фотография/рисованный портрет) - выполнять проекцию в подпространства необходимо на основе двумерных методов, детально представленных в работах [34-36]. В этом случае достигается существенное сокращение вычислительных затрат на реализацию всех перечисленных выше преобразований, улучшается стабильность решения задач на собственные значения и решается проблема малой выборки, которая сопутствует обработке изображений. Эти характеристики двумерных методов проекций в подпространства представлены в [36-37].
В последнее время все чаще появляется информация о серийных преступлениях, однако информация, полученная от свидетелей, в частности, субъективные портреты, практически не анализируется в существующих программных комплексах, несмотря на то, что использование этих данных в комплексе - поскольку свидетели описывают одного и того же человека - могло бы существенно сузить круг подозреваемых лиц.
Анализ научных и практических аспектов проблемы эффективного использования субъективных портретов показал, что на результативность процесса установления личности негативно влияет ограниченность существующих программных средств формирования и анализа субъективных портретов. Поэтому крайне необходима разработка специальных модулей, автоматически выполняющих:
- формирование субъективного портрета по имеющейся фотографии в информационной базе данных;
- эффективный поиск фотографии по субъективному портрету (и наоборот) в динамической информационной базе данных, имеющий большой объем;
- установление соответствия между несколькими субъективными портретами;
- объединение информации, содержащейся в субъективных портретах, полученных от разных свидетелей преступления, а также преступлений, имеющих похожие описания.
Следует заметить, что предлагаемые для реализации данных модулей методы должны учитывать разные способы формирования субъективных портретов, большой объем информационной базы данных, а также необходимость работы в реальном времени.
Совершенствование подготовки экспертов-криминалистов
В работе [40] отмечается, в частности, что эффективность использования субъективных портретов при расследовании преступлений весьма низка вследствие неквалифицированного использования регистрационно-поисковых систем в практике установления личности, что обусловлено ограниченной подготовкой сотрудников подразделений.
Поэтому необходимо совершенствование программы подготовки экспертов-криминалистов. В связи с этим очень важным является обучение курсантов существующим технологиям биометрической идентификации личности, методам детекции лиц, экстракции и селекции признаков, а также автоматической редукции размерности пространства признаков.
Опыт обучения студентов в СПбГЭТУ показал, что внимание следует уделять не только теории и методам распознавания, но и практической разработке систем распознавания лиц (Face Recognition System - FaReS), их проектированию и анализу, что дает возможность обучающимся лучше понять суть и назначение используемых преобразований. В рамках учебного процесса эта задача решается путем компьютерного моделирования в среде пакета FaReS-MOD (Face Recognition System Modeler
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
[43, 44]), предназначенного для моделирования задач и систем распознавания людей по лицам, представленным на цифровых изображениях.
Исходными данными для проектируемых систем распознавания являются черно-белые и цветные изображения, формата BMP или JPEG, в которых область лица является главным -наибольшим по размеру объектом на изображении.
Предлагаемая пакетом FaReS-MOD технология моделирования системы распознавания людей включает следующие этапы:
1) выбор базы изображений лиц и процедур их предобработки;
2) выбор характеристик и числа признаков, представляющих информацию о лицах;
3) начальный выбор структуры системы распознавания, моделирование ее работы при различных параметрах и анализ полученных результатов, что в целом составляет этап проектирования FaReS;
4) наблюдение за пошаговым или конечным процессом распознавания системой всех заданных тестовых изображений с лицами;
5) оценка результатов распознавания с формированием протоколов и подготовкой их к печати.
Эти этапы просты и понятны студентам и позволяют выполнить моделирование системы
распознавания за короткий срок.
Анализ использования пакета FaReS-MOD позволяет сделать вывод о том, что его использование в процессе обучения дает студентам возможность:
- грамотно и обоснованно ставить задачу и выбирать методы биометрической идентификации человека по лицу;
- исключить этап программирования самих методов и сосредоточить внимание на эффективности их использования;
- изучить влияние качества представляемых изображений, ракурса съемки, наличие мешающих элементов на лице (очки, борода и т.д.) на результат распознавания;
- быстрой модификации проекта FaReS (структуры и параметров);
- сохранение проекта и протокола его моделирования позволяет сравнивать построенные различные варианты FaReS между собой;
- оценивать качество разработанного проекта FaReS по следующим параметрам: точность распознавания/время обработки, распределение/кластеризация данных в признаковом пространстве;
- разрабатывать новые системы, удовлетворяющие заданным требованиям точности и быстродействия для конкретной базы данных лиц.
Заключение
Стратегия национальной безопасности Российской Федерации до 2020 г., утвержденная Указом Президента Российской Федерации от 12 мая 2009 г. N° 537, к стратегическим приоритетам обеспечения национальной безопасности личности, общества и государства относит, в частности, совершенствование перспективных специальных средств и техники для спецслужб и правоохранительных органов, поскольку уровень данных технологий во многом определяет национальную безопасность и развитие государства. Поэтому в настоящее время является крайне необходимым решение следующих задач:
1) интенсификация исследований, направленных на разработку методов эффективного использования информации содержащейся в субъективном портрете - автоматического формирования баз данных субъективных портретов, поиска и сравнения фотопортрета-оригинала и соответствующего ему рисованного портрета, систем поиска, работающих в режиме реального времени;
2) оснащение автоматизированных рабочих мест эксперта автоматизированными модулями осуществляющими:
- эффективный поиск фотографии по субъективному портрету (и наоборот) в динамической информационной базе данных, имеющий большой объем;
- установление соответствия между несколькими субъективными портретами;
- объединение информации, содержащейся в субъективных портретах, полученных от разных свидетелей преступления, а также преступлений, имеющих похожие описания.
3) создание новых и модификация существующих методик производства судебных экспертиз;
4) совершенствование программы подготовки экспертов-криминалистов - обучение существующим технологиям биометрической идентификации человека.
Список литературы
1. Austen, B. What Caricatures Can Teach Us About Facial Recognition [Электронный ресурс]. -URL: http://www.wired.com/magazine/2011/07/ff_caricature/ (дата обращения 18.05.2013).
2. Криминалистика / под ред. Н.П. Яблокова. - М.: Юристъ, 2005. - 781 с.
3. Face Sketch FERET Database [Электронный ресурс]. - URL: http://mmlab.ie.cuhk.edu.hk/cufsf/ (дата обращения 18.05.2013).
4. Student Sketch Databse [Электронный ресурс]. - URL: http://mmlab.ie.cuhk.edu.hk/facesketch. html (дата обращения 18.05.2013).
5. Han, H., Klare, B., Bonnen, K., Jain, A. K. Matching Composite Sketches to Face Photos: A Component-Based Approach // IEEE Transactions on Information Forensics and Security. - 2013. - V. 8.
- №. 3. - P. 191-204.
6. Identi-Kit, Identi-Kit Solutions [Электронный ресурс]. - URL: http://www.identikit.net/ (дата обращения 18.05.2013).
7. Li, X., Cao, X. A Simple Framework for Face Photo-Sketch Synthesis // Mathematical Problems in Engineering. - 2012. - V. 2012. - P. 1-19.
8. FACES 4.0, IQ Biometrix [Электронный ресурс]. - URL: http://www.iqbiometrix.com (дата обращения 18.05.2013).
9. Wells, G., Hasel L. Facial Composite Production by Eyewitnesses // Current Directions in Psychological Science. - 2007. - V. 16. - №. 1. - P. 6-10.
10. Frowd, C., Hancock, P., Carson, D. EvoFIT: A Holistic, “Evolutionary Facial Imaging Technique for Creating Composites” // ACM Transactions on Applied Psychology. - 2004. - V. 1. - №1. - P. 19-39.
11. Пичугин, С. А., Егоров О. О. Проблемы совершенствования современных габитоскопических регистрационно-поисковых систем субъективных портретов [Электронный ресурс]. - URL: http:// www.juristlib.ru/book_9037.html (дата обращения 18.05.2013).
12. Аксененко, В. Субъективные портреты: техника, методика и тактика их изготовления [Электронный ресурс]. - URL: http://mvd.kmvlive.ru/dlya-grazhdan/469-subektivnye-portrety-texnika-metodika-i-taktika-ix-izgotovleniya.html (дата обращения 18.05.2013).
13. Tang, X., Wang, X. Face Photo-Sketch Synthesis and Recognition // Ninth IEEE International Conference on Computer Vision. - 2003. Proceedings. - V. 1. - P. 687-699.
14. Tang, X., Wang, X. Hallucinating Face by Eigentransformation // IEEE Trans. Systems, Man, and Cybernetics. - 2005. - Part C: Applications and Reviews. - V. 35. - № 3. - P. 425-434.
15. Tang, X., Wang, X. Face Photo-Sketch Synthesis and Recognition // IEEE Trans. Pattern Analysis and Machine Intelligence. - 2009. - V. 31. - № 11. - Р. 1955-1967.
16. Gao, X., Zhong, J., Li, J., Tian, C. Face Sketch Synthesis Algorithm Based on E-HMM and Selective Ensemble // IEEE Trans. Circuits and Systems for Video Technology. - 2008. - V. 18. - №. 4. - Р. 487-496.
17. Zhou, H., Kuang, Z., Wong, K. K.-Y. Markov Weight Fields for Face Sketch Synthesis // IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2012) Providence, Rhode Island, USA 16-24 June 2012.
18. Amit, R. Sharma, Prakash, R. Devale, С. Face Photo-Sketch Synthesis and Recognition // International Journal of Emerging Technology and Advanced Engineering. - 2012. - V. 2. - № 2. - P. 304-310.
19. Kamble, P. D., Gawali, B. W. Face Detection with Photo-Sketch using 3D Face Expressions Synthesis and Recognition // International Journal of Scientific and Research Publications (IJSRP). - 2012.
- V. 2. - № 9. - P. 288-290.
20. Galoogahi, H. K., Sim, T. Face Photo Retrieval by Sketch Example // International Conference ACM Multimedia (MM’12), Nara, Japan , October 29 - November 02. - 2012. - P. 949-952.
21. Lin, D., Tang, X. Inter-Modality Face Recognition // Proc. European Conf. Computer Vision, 2006.
22. Klare, B. F., Li, Z., Jain, A. K. Matching Forensic Sketches to Mug Shot Photos // IEEE Transactions on PAMI. - 2011. - V. 33, №. 3. - Р. 639-646.
23. Lei, Z., Li, S. Coupled Spectral Regression for Matching Hegerogeneous Faces // Proc. IEEE Conf. Computer Vision and Pattern Recognition. - 2009.
24. Zhang, W., Wang, X., Tang, X. Coupled Information-Theoretic Encoding for Face Photo-Sketch Recognition // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2011.
25. Sharma, A., Jacobs, D. W. Bypassing synthesis: PLS for face recognition with pose, low-resolution and sketch // The 24th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2011, Colorado Springs, CO, USA, 20-25 June 2011. - Р. 593-600.
26. Lowe, D. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. - 2004. - V. 60, №. 2. - Р. 91-110.
27. Ojala, T., Pietikainen, M., Maenpaa, T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence.
- 2002. - V. 24, №. 7. - Р. 971-987.
28. Yuen, P. C., Man, C. H. Human Face Image Searching System Using Sketches // IEEE Trans. Systems, Man and Cybernetics. - Part A: Systems and Humans. - 2007. - V. 37, №. 4. - Р. 493-504.
29. Choi, J., Sharma, A., Jacobs, D. W., Davis, L. S. Data insufficiency in sketch versus photo face recognition // Proc. CVPR Workshops. - 2012. - Р. 1-8.
30. Kiani, H., Sim, T. Sketch Recognition by Local Radon Binary Pattern: LRBP // IEEE International Conference on Image Processing (ICIP’12), Orlando, Florida, USA.
31. Kiani, H., Sim, T. Inter-modality Face Sketch Recognition // IEEE International Conference on Multimedia & Expo (ICME’12), Melbourne, Australia, 2012.
32. Klare, B. F, Jain, A. K. Sketch to Photo Matching: A Feature-based Approach // Proceedings of SPIE, Biometric Technology for Human Identification VII. - April 2010.
33. Wang, X., Tang, X. Face Photo-Sketch Synthesis and Recognition // IEEE Transactions on PAMI.
- 2009. - V. 31. - №. 11. - Р. 1955-1967.
34. Kukharev, G., Forczmanski, P Facial Images Dimensionality Reduction and Recognition by Means of 2DKLT // Journal Machine GRAPHICS & VISION. - 2007. - V. 16. - № 3/4. - Р. 401-425.
35. Kukharev, G., Forczmanski, P. Face Recognition by Means of Two-Dimensional Direct Linear Discriminant Analysis // Int. Conference PRIP’2005, Belarus/Minsk, nt. 18-25 May. - Р. 280-283.
36. Kukharev, G., Tujaka, A., Forczmanski, P. Face Recognition using Two-dimensional CCA and PLS // International Journal of Biometrics. - 2011. - № 3. - Р. 300-321.
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013
37. Кухарев, Г. А., Щеголева, Н. Л. Двумерный анализ главных компонент в приложении к распознаванию изображений лиц // Известия СПбГЭТУ «ЛЭТИ». - 2010. - № 8. - С. 43-50.
38. Kyхарев, Г. А., Щеголева, Н. Л. Системы распознавания человека по изображению лица. -СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2006. - 176 с.
39. Солдатов, А., Бороган, И. Лицо в толпе: ФСБ разрабатывает свою систему видеонаблюдения [Электронный ресурс]. - URL: http://www.agentura.ru/projects/identification/ videorecognition/ (дата обращения 18.05.2013).
40. Пичугин, С. А. Криминалистическое установление личности с использованием субъективных отображений признаков внешности человека : автореф. дис. ... канд. юрид. наук. -М., 2010. - 21 с.
41. Щеголева, Н. Л., Кухарев, Г. А. Обучение студентов моделированию систем распознавания человека по изображению лица // Новые технологии в образовании : материалы VII межд. научно-практич. конф. (28 февраля 2011 г.). - М.: Компания Спутник+, 2011. - С. 65-70.
42. Kхарев, Г. А. Поиск изображений лиц в больших базах данных // Мир измерений. - 2009.
- № 4. - С. 22-30.
43. Kukharev, G., Kuzminski, A. An environment for recognition system modeling // Enhanced Methods in Computer Security, Biometric and Artificial Intelligence Systems. - Kluwer Academic Publishers, 2005.
44. Face Recognition System Modeler [Электронный ресурс]. - URL: http://www.555.pl/index. php?act=2394 (дата обращения 18.05.2013).
Literature
1. Austen, B. What Caricatures Can Teach Us About Facial Recognition [Elektronnyiy resurs]. - URL: http://www.wired.com/magazine/2011/07/ff_caricature/ (data obrascheniya 18.05.2013).
2. Kriminalistika / pod red. N.P. Yablokova. - M.: Yurist’, 2005. - 781 s.
3. Face Sketch FERET Database [Elektronnyiy resurs]. - URL: http://mmlab.ie.cuhk.edu.hk/cufsf/ (data obrascheniya 18.05.2013).
4. Student Sketch Databse [Elektronnyiy resurs]. - URL: http://mmlab.ie.cuhk.edu.hk/facesketch. html (data obrascheniya 18.05.2013).
5. Han, H., Klare, B., Bonnen, K., Jain, A. K. Matching Composite Sketches to Face Photos: A Component-Based Approach // IEEE Transactions on Information Forensics and Security. - 2013. - V. 8.
- #. 3. - P. 191-204.
6. Identi-Kit, Identi-Kit Solutions [Elektronnyiy resurs]. - URL: http://www.identikit.net/ (data obrascheniya 18.05.2013).
7. Li, X., Cao, X. A Simple Framework for Face Photo-Sketch Synthesis // Mathematical Problems in Engineering. - 2012. - V. 2012. - P. 1-19.
8. FACES 4.0, IQ Biometrix [Elektronnyiy resurs]. - URL: http://www.iqbiometrix.com (data obrascheniya 18.05.2013).
9. Wells, G., Hasel L. Facial Composite Production by Eyewitnesses // Current Directions in Psychological Science. - 2007. - V. 16. - #. 1. - P. 6-10.
10. Frowd, C., Hancock, P., Carson, D. EvoFIT: A Holistic, “Evolutionary Facial Imaging Technique for Creating Composites” // ACM Transactions on Applied Psychology. - 2004. - V. 1. - #1. - P. 19-39.
11. Pichugin, S. A., Egorov O. O. Problemyi sovershenstvovaniya sovremennyih gabitoskopicheskih registratsionno-poiskovyih sistem sub’ektivnyih portretov [Elektronnyiy resurs]. - URL: http://wwwjuristlib. ru/book_9037.html (data obrascheniya 18.05.2013).
12. Aksenenko, V. Sub’ektivnyie portretyi: tehnika, metodika i taktika ih izgotovleniya [Elektronnyiy resurs]. - URL: http://mvd.kmvlive.ru/dlya-grazhdan/469-subektivnye-portrety-texnika-metodika-i-taktika-ix-izgotovleniya.html (data obrascheniya 18.05.2013).
13. Tang, X., Wang, X. Face Photo-Sketch Synthesis and Recognition // Ninth IEEE International Conference on Computer Vision. - 2003. Proceedings. - V. 1. - P. 687-699.
14. Tang, X., Wang, X. Hallucinating Face by Eigentransformation // IEEE Trans. Systems, Man, and Cybernetics. - 2005. - Part C: Applications and Reviews. - V. 35. - # 3. - P. 425-434.
15. Tang, X., Wang, X. Face Photo-Sketch Synthesis and Recognition // IEEE Trans. Pattern Analysis and Machine Intelligence. - 2009. - V. 31. - # 11. - R. 1955-1967.
16. Gao, X., Zhong, J., Li, J., Tian, C. Face Sketch Synthesis Algorithm Based on E-HMM and Selective Ensemble // IEEE Trans. Circuits and Systems for Video Technology. - 2008. - V. 18. - #. 4. - R. 487-496.
17. Zhou, H., Kuang, Z., Wong, K. K.-Y. Markov Weight Fields for Face Sketch Synthesis // IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2012) Providence, Rhode Island, USA
16-24 June 2012.
18. Amit, R. Sharma, Prakash, R. Devale, S. Face Photo-Sketch Synthesis and Recognition // International Journal of Emerging Technology and Advanced Engineering. - 2012. - V. 2. - # 2. - P. 304-310.
19. Kamble, P. D., Gawali, B. W. Face Detection with Photo-Sketch using 3D Face Expressions Synthesis and Recognition // International Journal of Scientific and Research Publications (IJSRP). - 2012.
- V. 2. - # 9. - P. 288-290.
20. Galoogahi, H. K., Sim, T. Face Photo Retrieval by Sketch Example // International Conference ACM Multimedia (MM’12), Nara, Japan , October 29 - November 02. - 2012. - P. 949-952.
21. Lin, D., Tang, X. Inter-Modality Face Recognition // Proc. European Conf. Computer Vision, 2006.
22. Klare, B. F, Li, Z., Jain, A. K. Matching Forensic Sketches to Mug Shot Photos // IEEE Transactions on PAMI. - 2011. - V. 33, #. 3. - R. 639-646.
23. Lei, Z., Li, S. Coupled Spectral Regression for Matching Hegerogeneous Faces // Proc. IEEE Conf. Computer Vision and Pattern Recognition. - 2009.
24. Zhang, W., Wang, X., Tang, X. Coupled Information-Theoretic Encoding for Face Photo-Sketch Recognition // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2011.
25. Sharma, A., Jacobs, D. W. Bypassing synthesis: PLS for face recognition with pose, low-resolution and sketch // The 24th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2011, Colorado Springs, CO, USA, 20-25 June 2011. - R. 593-600.
26. Lowe, D. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. - 2004. - V. 60, #. 2. - R. 91-110.
27. Ojala, T., Pietikainen, M., Maenpaa, T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence.
- 2002. - V. 24, #. 7. - R. 971-987.
28. Yuen, P. C., Man, C. H. Human Face Image Searching System Using Sketches // IEEE Trans. Systems, Man and Cybernetics. - Part A: Systems and Humans. - 2007. - V. 37, #. 4. - R. 493-504.
29. Choi, J., Sharma, A., Jacobs, D. W., Davis, L. S. Data insufficiency in sketch versus photo face recognition // Proc. CVPR Workshops. - 2012. - R. 1-8.
30. Kiani, H., Sim, T. Sketch Recognition by Local Radon Binary Pattern: LRBP // IEEE International Conference on Image Processing (ICIP’12), Orlando, Florida, USA.
31. Kiani, H., Sim, T. Inter-modality Face Sketch Recognition // IEEE International Conference on Multimedia & Expo (ICME’12), Melbourne, Australia, 2012.
32. Klare, B. F, Jain, A. K. Sketch to Photo Matching: A Feature-based Approach // Proceedings of SPIE, Biometric Technology for Human Identification VII. - April 2010.
33. Wang, X., Tang, X. Face Photo-Sketch Synthesis and Recognition // IEEE Transactions on PAMI.
- 2009. - V. 31. - #. 11. - R. 1955-1967.
34. Kukharev, G., Forczmanski, P Facial Images Dimensionality Reduction and Recognition by Means of 2DKLT // Journal Machine GRAPHICS & VISION. - 2007. - V. 16. - # 3/4. - R. 401-425.
35. Kukharev, G., Forczmanski, P. Face Recognition by Means of Two-Dimensional Direct Linear Discriminant Analysis // Int. Conference PRIP’2005, Belarus/Minsk, nt. 18-25 May. - R. 280-283.
36. Kukharev, G., Tujaka, A., Forczmanski, P. Face Recognition using Two-dimensional CCA and PLS // International Journal of Biometrics. - 2011. - № 3. - P. 300-321.
37. Kuharev, G. A., Schegoleva, N. L. Dvumernyiy analiz glavnyih komponent v prilozhenii k raspoznavaniyu izobrazheniy lits // Izvestiya SPbGETU «LETI». - 2010. - # 8. - S. 43-50.
38. Kuharev, G. A., Schegoleva, N. L. Sistemyi raspoznavaniya cheloveka po izobrazheniyu litsa. -SPb.: Izd-vo SPbGETU «LETI», 2006. - 176 s.
39. Soldatov, A., Borogan, I. Litso v tolpe: FSB razrabatyivaet svoyu sistemu videonablyudeniya [Elektronnyiy resurs]. - URL: http://www.agentura.ru/projects/identification/ videorecognition/ (data obrascheniya 18.05.2013).
40. Pichugin, S. A. Kriminalisticheskoe ustanovlenie lichnosti s ispolzovaniem sub’ektivnyih otobrazheniy priznakov vneshnosti cheloveka : avtoref. dis. ... kand. yurid. nauk. - M., 2010. - 21 s.
41. Schegoleva, N. L., Kuharev, G. A. Obuchenie studentov modelirovaniyu sistem raspoznavaniya cheloveka po izobrazheniyu litsa // Novyie tehnologii v obrazovanii : materialyi VII mezhd. nauchno-praktich. konf. (28 fevralya 2011 g.). - M.: Kompaniya Sputnik , 2011. - S. 65-70.
42. Kuharev, G. A. Poisk izobrazheniy lits v bolshih bazah dannyih // Mir izmereniy. - 2009. - #
4. - S. 22-30.
43. Kukharev, G., Kuzminski, A. An environment for recognition system modeling // Enhanced Methods in Computer Security, Biometric and Artificial Intelligence Systems. - Kluwer Academic Publishers, 2005.
44. Face Recognition System Modeler [Elektronnyiy resurs]. - URL: http://www.555.pl/index. php?act=2394 (data obrascheniya 18.05.2013).
Вестник Санкт-Петербургского университета МВД России № 3 (59) 2013