CC BY
46
is,-мс
4DD 5DD 6DÜ 7ÜÜ 800 900 10DD
x izx.mc
Рис. 5. Зависимость разброса от длительности RR-интервалов
Разработанная математическая модель системы управления сердечным ритмом позволила получить полигоны значений RR--интервалов с такими же соотношениями среднего арифметического и стандартного отклонений и такой же волновой структурой ритма, как и у реального человека, чем доказывается адекватность разработанной модели исследуемому физиологическому процессу [3]. График зависимости разброса Orr от средней длительности RR-интервалов при моделировании и в эксперименте показан на рисунке 5.
Модель представляет собой перспективный метод решения широкого круга теоретических проблем физиологии сердечно-сосудистой системы: определение механизмов уменьшения разброса частоты пульса при умственной нагрузке, сравнительная оценка информативности предлагаемых показателей аритмий, уточнение ряда физиологических констант и характеристик системы управления сердечным ритмом и т.д., что имеет большое практическое значение для эргономики физиологии труда и клинической медицины.
Литература
1. Luckzak H., Philipp U., Rohmetr W. Decomposition of heart rate variability under the ergonomics aspects stressor analysis // The study of heart rate variability. Oxford, 1980.
2. Miyawaki K., Takahashi T., Takamura H. Analysis and simulation of the periodic heart rate fluctuation // Received Nov. 25. 1965. № 709, рр. 315.
3. Романова Г.В. Математическое моделирование управления сердечным ритмом: автореф. дис. ... канд. техн. наук. Тверь: ВУ ПВО, 1999. 18 с.
4. Романова Г.В., Чертенкова О.С. Математическая модель компонентов, обуславливающих вариативность сердечного ритма // Современные технологии. Системный анализ. Моделирование. 2009. № 3(23). С. 225-228.
5. Luczak H. Fractioned heart rate variability. Part I: Analysis in a model of the cardiovascular and cardiorespiratory system // Ergonomics. 1978. Vol. 21. № 11, pp. 895-911.
УДК 681.51+519.7
КОНЦЕПЦИЯ АЛГОРИТМА РАСПОЗНАВАНИЯ И АНАЛИЗА ЛИЦА ЧЕЛОВЕКА
А.В. Перепелицын; Д.В. Бутенко, к.т.н.
(Волгоградский государственный технический университет, [email protected], [email protected])
В статье описывается разработанный авторами гибридный алгоритм распознавания лица человека. Особенностью данного алгоритма является возможность применения результатов распознавания для проведения любого вида анализа, оперирующего очертаниями лица. Основное нововведение - использование механизмов обработки изображения после поиска лица традиционными методами AdaBoost.
Ключевые слова: распознавание лица человека, анализ внешности, алгоритм для распознавания, концептуальное проектирование.
Увеличение потока графической информации обусловило актуальность задачи поиска, распознавания и анализа человеческого лица.
Для реализации многих потребностей компьютерного распознавания лица разработаны специальные узконаправленные алгоритмы. Однако нередко существующие алгоритмы распознавания в чистом виде неприменимы, в частности, для антропометрического анализа очертаний лица. Проблемой в данном случае является слишком малая контрастность лица человека на фотографии для точного определения интересующих гра-
ниц и очертаний с необходимой вероятностью успеха.
Ввиду этого была определена проблема разработки гибридного алгоритма, который решал бы задачи поиска лица на изображении и последующего анализа его очертаний.
Основная цель разработки алгоритма - получение высокого качества распознавания при высокой скорости работы. Созданный гибридный алгоритм состоит из двух частей. Первая часть должна находить область лица, используя классический алгоритм его распознавания, вторая - предостав-
лять достоверные данные о расположении на нем опорных точек с использованием модифицированного алгоритма выделения границ (Edge Detecting).
Одним из наиболее признанных и распространенных алгоритмов для распознавания образов является алгоритм Виолы-Джонса с применением каскадов, построенных с использованием примитивов (features) Хаара и алгоритма адаптивного машинного обучения AdaBoost. Этот алгоритм выбран для реализации первой части гибридного алгоритма, так как дает высокий процент верно распознанных изображений при высоком быстродействии. Суть его в том, чтобы частям изображения сопоставить некоторые заранее выбранные для обучения примитивы. Эти примитивы сопоставляются с участками изображения, и считается разница сумм значений пикселов на светлой и темной сторонах примитива. Если получившаяся разница соответствует полученному при обучении значению, запускается следующий этап из каскада, которому в наибольшей степени соответствует полученное значение. Так продолжается до тех пор, пока вся цепь каскада не будет пройдена до конца. Если на любом этапе порог равенства будет превышен, считается, что лицо не содержится в текущей области [1].
Поскольку вопросы поиска лица достаточно полно освещены в публикациях, рассмотрим подробнее вторую часть алгоритма.
Во второй части гибридного алгоритма для поиска на лице интересующих точек должен применяться некоторый метод поиска границ очертаний лица. Для решения поставленной задачи было решено модифицировать алгоритм выделения границ таким образом, чтобы он хорошо срабатывал на слабоконтрастных изображениях.
При создании алгоритма распознавания границ возникли проблемы.
Фильтр выделения границ используется для выделения высокочастотных элементов изображения. Высокочастотный элемент изображения -это, например, светлый пиксел на однородном темном фоне или наоборот. Работу фильтра можно описать формулой Су=кх(|1|_ц-1|+1^+|1ц+1-1ц_1|), где Cj,j - цвет рассматриваемой точки на результирующем изображении; к - коэффициент выделения границ; i, j - соответственно координаты X и Y рассматриваемой точки в исходном изображении; Ii,j - яркость точки в исходном изображении [2].
Однако использовать результаты работы этого фильтра для точного выделения каких-либо границ невозможно из-за низкой контрастности и смазанности границ на результирующем изображении.
В ходе исследования было установлено, что предварительное применение фильтра размытия к изображению позволяет убрать шум и заметно
улучшить результат. Для оценки результата применения фильтра достаточно взглянуть на сравнение гистограмм изображения с применением фильтра размытия и без него.
После применения фильтра размытия график гистограммы в целом сохранил особенности своего хода (см. рис.). Это говорит о том, что изображение не было искажено применением фильтра. Кроме того, в варианте с размытием количество белых пикселов заметно выросло, а количество темных сократилось за счет сглаживания шумов.
IB IS U 6* № 101 иг. 117 15а 171 ил ?Г\ щ IM Mb
Примечание:-----изображение без применения размытия,
- изображение с применением размытия.
Сравнение гистограмм обработанного изображения
Однако применение фильтра размытия вызвало падение скорости распознавания на несколько порядков. Чтобы разобраться в проблеме, необходимо рассмотреть устройство фильтра.
Работа фильтра размытия выражается формулой Со^Ха^хСи,^, где С,,^ - цвет пиксела результирующего изображения; 1, ] - соответственно координаты X и У рассматриваемой точки в исходном изображении; т - размер ядра свертки; а - ядро свертки; Су - цвет пиксела исходного изображения [3].
При большом размере ядра свертки (в разрабатываемом алгоритме используется ядро размером 7x7) очевидно, что будет очень большое число обращений к изображению.
Для улучшения алгоритма применялись следующие подходы.
При первом для определенного класса ядер свертки (например ау=1 или ау=ехр(-12-]2)), называемых разделяемыми, проводится размытие сначала только по горизонтали, а затем только по вертикали. В результате получается правильное изображение. Однако даже в этом случае сложность алгоритма очень велика: длинах шири-нах7х2.
При втором подходе для применения фильтра размытия к пикселу необходимо взять 3 пиксела слева от данного, три справа (ядро свертки размером 7), сложить цвета и разделить их значения на 7. В результате получается усредненное значение цвета пиксела - эффект размытия достигнут.
Для применения фильтра выделения границ требуется по одному пикселу слева, справа, сверху и снизу от текущего.
Итак, очевидно, что, применяя к изображению следующий псевдокод:
&г(Ш: x = xBegin; x < xEnd; ++x) {
for(int у = yBegin; У < yEnd; ++У) {
destImage = BlurPoint(Source]шage, x+1, у+1); result]шage = EdgeDetect(destIшage, х, у);
}
}
при использовании кэширования можно добиться требуемой цели и обработать необходимые пикселы без повторных обращений к изображению.
Третьим усовершенствованием метода является отказ от дополнительного вертикального размытия. Это решение было принято в ходе практических опытов с корелляцией параметра фильтра выделения границ к. Выяснено, что применение вертикального размытия при многих значениях к лишь вредит результату.
Таким образом, используя описанные выше усовершенствования, получен алгоритм, удовлетворяющий поставленной задаче. Использование подхода Виолы-Джонса в совокупности с адаптированным алгоритмом выделения границ позволяет найти и выделить необходимые очертания лица весьма точно.
Литература
1. Viola P., Jones M. Robust real-time object detection. URL: www.hpl.hp.com/techreports/ Compaq-DEC/CRL-2001-1.pdf (дата обращения: 08.11.2010).
2. Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация оператора Собела с использованием SIMD-расширений процессоров семейства x86 // Телекоммуникации. 2006. № 6.
3. Поляков А.Ю., Брусенцев В.А. GDI+ и DirectX. СПб: БХВ-Петербург, 2005. 368 с.
4. Бутенко Д.В. Системологическое представление технической системы // Концептуальное проектирование в образовании, технике и технологии: межвуз. сб. тр. Волгоград, 1997.
5. Бутенко Д.В. Концептуальная функциональная структура технических систем // AIS-IT'10: тр. Конгресса по интеллект. сист. и информ. технолог.: науч. изд. в 4-х т. М.: Физмат-лит, 2010. Т. 1. 580 с.
УДК 544.31.031; 519.688
ПРОГРАММНЫЙ КОМПЛЕКС ПО РАСЧЕТУ ТЕРМОДИНАМИЧЕСКИХ, СПЕКТРОСКОПИЧЕСКИХ И СТРУКТУРНЫХ
СВОЙСТВ МОЛЕКУЛ
В.В. Туровцев, к.ф.-м.н. (Тверская государственная медицинская академия, [email protected]); Ю.Д. Орлов, д.х.н. (Тверской государственный университет, [email protected])
Создан единый программный комплекс по расчету структурных, спектроскопических и термодинамических характеристик индивидуальных веществ. Частоты колебаний и термодинамические свойства определяются с помощью разработанных алгоритмов решения уравнения Лагранжа в криволинейных координатах и расчета составляющих статистической суммы для всех степеней свободы. Комплекс реализован в среде объектно-ориентированного программирования Delphi.
Ключевые слова: колебания молекул, уравнение Лагранжа, термодинамические свойства, спектральная задача.
Для оптимизации химических процессов и поиска новых технологий необходима информация о термодинамических свойствах веществ в широком диапазоне температур и давлений. К наиболее важным из них относятся энтальпия образования AfH°, свободная энергия Гиббса AfG°, энтропия S° и теплоемкость Cp° [1]. Информация, требуемая в необходимом объеме, может быть получена на основании эффективных расчетных методик, использующих реперные экспериментальные данные. Задача разработки таких методик и их реализации в программных комплексах одна из наиболее актуальных.
Авторами в среде Delphi создан программный комплекс TUR 7 по расчету термодинамических (AfH°, AfG°, S°, Cp°), спектроскопических (ва-
лентно-силовое поле, частоты колебаний) и структурных свойств молекул, представляющий собой совокупность взаимосвязанных модулей и БД. Из совокупности модулей в TUR 7 следует выделить четыре (рис. 1), объединяемых в различных сочетаниях в зависимости от поставленных целей. Первый служит для решения прямой спектральной задачи - расчета колебательного спектра по валентно-силовому полю на основании строения и атомарного состава соединения. Второй модуль предназначен для решения обратной спектральной задачи - определения валентно-силового поля (набор силовых постоянных) - исходя из равновесного строения и экспериментальных частот с известными отнесениями по симметрии и видам колебаний. Решение прямой и обратной спектральных
