CC BY
87Решетневскуе чтения. 2014
плексных отчетов требует больших вычислительных операций, которые приводят к потере производительности.
Также можно отметить, что в OLTP хранятся постоянно изменяющие данные. По мере осуществления операций записи-чтения суммарные значения меняются очень быстро, и два комплексных анализа, проведенных с некоторым интервалом, могут дать разные результаты, поэтому такие анализы выполняются в конце отчетного периода.
Приведенные выше положения объясняют переход к Online Analytical Processing (OLAP). Этот метод позволяет сотрудникам предприятия проанализировать накопленные данные за счет быстрого доступа к информации.
Методология OLAP - это аналитическая обработка в реальном времени (технология обработки информации, включающая составление и динамическое создание отчетов и документов), предназначенная для быстрой обработки сложных многотабличных запросов к БД [1].
Причины использования этой методологии - скорость и удобство. В реляционных БД сущности, хранящиеся в отдельных таблицах, обычно хорошо нормализованы. Эта структура удобна для систем OLTP, но сложные запросы в ней выполняются относительно
медленно. Также в этой структуре сложно проводить анализ данных. OLAP-методология значительно упрощает анализ за счет применения многомерных кубов. Просматривая сводные таблицы, пользователь видит сначала итоговые значения показателей, а потом при необходимости может их детализировать. Клиент-серверная архитектура OLAP-систем обеспечивает одновременный доступ большого числа пользователей. При этом анализ производится быстро по всем аспектам, информации независимо от размера и сложности базы данных [1].
Полученные результаты исследования помогут более точно определить все положительные и отрицательные стороны использования технологии OLAP при обработке многомерных данных.
Библиографическая ссылка
1. Баргесян А. А., Куприянов М. С. Методы и модели анализа данных OLAP и Data Mining. СПб. : БХВ-Петербург, 2004. 331 с.
Reference
1. Bargesyan A. A., Kupriyanov M. S. Metody i modeli analiza dannih OLAP i Data Mining. BXV-Peterburg, 2004. 331 p.
© Демченко А. А., 2014
УДК 004.8
ТЕХНОЛОГИЯ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ DEEPFACE
А. А. Елистратова, В. В. Кукарцев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-таП: elochka_o_o@mail.com
Описана технология автоматической идентификации личности человека по фотографии, алгоритм ее осуществления. Приведен пример технологии DeepFace, процедура и область применения. Представлены преимущества и недостатки данной технологии.
Ключевые слова: программное обеспечение, DeepFace, идентификация личности.
PERSONAL IDENTIFICATION TECHNOLOGY DEEPFACE
A. A. Elistratova, V. V. Kukartsev
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation Е-mail: elochka_o_o@mail.com
The technology for the automatic identification of a person from a photograph, an algorithm for its implementation is described. An example of DeepFace technology, its procedure and field of application is given. The advantages and disadvantages of this technology are presented.
Keywords: software, DeepFace, personal identification.
Технология автоматической идентификации личности человека по его изображению на фотографии имеет широкое коммерческое и научное применение. Данная технология интересна потому, что может осуществляться без контакта с объектом.
Идентификация личности проходит в два этапа. Первый этап заключается в определении местоположения лица на изображении. Для этого исходное изображение сканируется окном меньшего размера, и каждый раз определяется степень схожести изобра-
Информационно-управляющие системы
жения в окне с человеческим лицом. Этот этап вычислительно трудоемкий, поэтому необходимо провести полное сканирование для разных размеров окна, а также каждый раз находить степень схожести изображения в окне с лицом. Формально изображение лица может задаваться структурно (лицо - это овал, на котором в середине расположен нос, симметрично глаза и т. д.), по цвету кожи (если фон имеет цвет, отличный от цвета кожи), статистически и списком примеров изображений лиц [1].
После выбора окна, содержащего только лицо человека, начинается второй этап - идентификация лица. Для этого применяется набор алгоритмов: статистических, нейросетевых, марковских цепей, эластичных графов, вейвлет-анализ, анализ характерных точек и др. В современных системах, как правило, эти методы используются в совокупности.
В настоящее время технология идентификации личности получила широкое распространение. Например, компания Facebook заинтересована в разработке системы распознавания лиц, которая сможет автоматически находить и отмечать на загруженных фотографиях людей. Исследовательская команда Facebook по разработке искусственного интеллекта сообщила о создании нового программного обеспечения под названием DeepFace, которое обеспечивает большой скачок вперед по сравнению с предыдущим решениями в этой области.
Программное обеспечение DeepFace использует новый подход к разработке искусственного интеллекта под названием Deep Learning (глубокое обучение), на который Facebook и ее конкуренты делают основной упор начиная с прошлого года. Область применения искусственного интеллекта охватывает, в том числе, программное обеспечение, использующее искусственные нейронные сети для того, чтобы научиться распознавать шаблоны в больших объемах данных [2].
Следует уточнить, что DeepFace выполняет процедуру верификации лица - признание того, что на двух фотографиях изображено одно и то же лицо, а не распознавания лица - автоматический поиск личности по фотографии. Однако некоторые из основных методик технологии, используемой в данном программном обеспечении, могут пригодиться и при распознавании.
Для DeepFace характерна двухэтапная обработка изображений. Изначально программа изменяет угол наклона таким образом, чтобы человек на картинке был обращен лицом вперед, используя SD-модель «среднего» лица в положении анфас. Затем в процесс включается Deep Learning в качестве искусственной нейронной сети, анализирующей переориентированное лицо с целью поиска особенностей строения для проведения сравнения. При обнаружении достаточного количества совпадений в двух разных изображениях программа выдает нужный результат.
Данное программное обеспечение в 97,25 % случаев узнаёт одного и того же человека на двух разных
снимках, независимо от того, как он снят: анфас, в профиль, при хорошем или плохом освещении. Сами люди, для сравнения, способны правильно сопоставить лица на двух незнакомых фотографиях в 97,53 % случаев, то есть у человека механизм распознавания работает всего на 0,28 % лучше, чем у машины [3].
По сравнению с первой версией программного обеспечения распознавание улучшилось на четверть. Отвечающая за обучение часть DeepFace состоит из девяти слоев простых моделируемых нейронов с более чем 120 миллионами внутренних взаимосвязей. Для того чтобы обучить эту нейронную сеть, исследователи использовали массив пользовательских изображений пользователей Facebook - 4 миллиона фотографий лиц, принадлежащих почти 4 тысячам пользователей.
Программа пока умеет только сопоставлять фотографии, узнавать, кто именно на них изображён, она ещё не научилась. Эту функцию технически возможно реализовать и повысить тем самым точность распознавания людей на изображениях.
Но на данный момент DeepFace остается исследовательским проектом и в социальных сетях не применяется.
Библиографические ссылки
1. Волченков М. П., Самоненко И. Ю. Об автоматическом распознавании лиц // Интеллектуальные системы. 2005. Т. 9, вып. 1-4. С. 135-136.
2. ПО Facebook DeepFace сравнивает лица людей по фотографиям с человеческой точностью // Apploid News - свежие новости мира информационных технологий [Электронный ресурс]. URL: http://apploidnews.com/2014/03/19/по-facebook-deepface-сравнивает-лица-людей-по-фотогр/ (дата обращения: 11.06.2014).
3. DeepFace: интеллектуальное распознавание лиц от Facebook // F1CD - компьютерный портал [Электронный ресурс]. URL: http://www.f1cd.ru/news/ deepface_intellektualnoe_raspoznavanie_lic_ot_facebook/ (дата обращения: 12.06.2014).
References
1. Volchenkov M. P., Samonenko I. U. Ob avtomaticheskom raspoznavanii lits (About automatic face recognition), "Intelligent Systems", 2005. р. 135-136.
2. PO Facebook DeepFace sravnivaet litsa lyudey po fotografiyam s chelovecheskoy tochnostyu (Facebook DeepFace software compares people's faces on photographs with human accuracy) // Apploid News -recent news from the world of information technology. Available at: http://apploidnews.com/2014/03/19/по-facebook-deepface-сравнивает-лица-людей-по-фотогр/.
3. DeepFace: intellektualnoe raspoznavanie lits ot Facebook DeepFace: Intelligent Face Detection from Facebook. Available at: http://www.f1cd.ru/news/ deepface_intellektualnoe_raspoznavanie_lic_ot_facebook/.
© Елистратова А. А., Кукарцев В. В., 2014
