Технология создания интегрированных медиа объектов с геометрической и световой корреляцией Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519.68

И. С. Уколов, В. Н. Игнатенко Научный руководитель - В. В. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

СИСТЕМА АКТИВНОЙ РЕКЛАМЫ ИНТЕРНЕТ-МАГАЗИНА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Рассматривается использование нейронных сетей для создания персональных рекламных рекомендаций для посетителей интернет-магазинов.

В настоящее время интернет-магазины являются хорошо освоенным видом бизнеса и активно развиваются. Многие из них используют систему персональных рекомендаций для создания «индивидуального» отношения к посетителю и, тем самым, увеличения продаж.[1] Подобные сервисы предоставляют и ведущие поставщики поисковых услуг - например, системы контекстной рекламы AdSense от Google или ЯндексДирект от Яндекс. Системы такого типа основаны на сборе статистических данных об активности интернет-пользователей и дальнейшей привязке результатов анализа их посещений к аккаунту или IP-адресу пользователя.

Применение методов нейросетевого моделирования в таких системах откроет новые возможности в части повышения эффективности анализа данных. Нейросеть способна автоматически кластеризовать типы посетителей и динамически выделять новые их типы со временем. Это позволит при поступлении нового посетителя очень быстро провести анализ его поведения, отнести его к какому-либо типу и начать формировать для него персональные рекомендации на основе предпочтений людей его типа. Системе на основе сбора статистики понадобилось бы на это существенно больше времени, нейросеть же начнет выявлять типизацию по первым же шагам посетителя на сайте. При этом система на основе нейросети способна распознать пользователя (по крайней мере, его тип) вне зависимости от того, с какого аккаунта он зашел.

При расширении интернет-магазина, при появлении в нем новых услуг и товаров, не нужно будет корректировать нейросетевую систему или дополнять ее новыми типами пользователей, в отличие от статистических систем они будут выделены нейросетью самостоятельно.

Подобная нейросетевая система может быть интегрирована в существующую систему статистического анализа интернет-магазина, при этом обучение нейронной сети может быть основано на уже собранных статистических данных. Для реализации такой системы возможно использовать самоорганизующиеся сети Кохонена. Помимо того, что они способны обучиться без учителя и выделять новые категории пользователей, результаты работы подобных нейронных сетей могут быть легко визуализированы и ин-терпретированы[2], что даст хорошие рекомендации владельцам сайта о структуре и предпочтениях посетителей, поможет отслеживать результаты работы портала и принимать обоснованные решения о повышении эффективности его функционирования.

Таким образом, добавление нейросетевого модуля в существующую систему активной персонализации сайта, основанную на использовании методов статистического анализа, поможет существенно повысить ее эффективность. Подобный подход позволит в большей степени учитывать при организации рекламы интернет-магазина индивидуальные особенности каждого посетителя, что, в конечном итоге, повлечет за собой повышение уровня покупательского спроса.

Библиографические ссылки

1. Радмило М. Л. Управление продажами.. Манн, Иванов и Фербер, 2010.

2. Кохонен Т. Самоорганизующиеся карты. Серия: Адаптивные и интеллектуальные системы. М. : Бином. Лаборатория знаний, 2008.

© Уколов И. С., Игнатенко В. Н., Тынченко В. В., 2011

УДК 004.921

П. М. Фишов Научный руководитель - А. Н. Ловчиков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

ТЕХНОЛОГИЯ СОЗДАНИЯ ИНТЕГРИРОВАННЫХ МЕДИА ОБЪЕКТОВ С ГЕОМЕТРИЧЕСКОЙ И СВЕТОВОЙ КОРРЕЛЯЦИЕЙ

Статья посвящена технологии создания образа трёхмерных объектов, на основе реально существующих, с их последующей интеграцией в виртуальное пространство.

В настоящее время различные медиа проекты в а так же их последующая интеграция в базовое меда большом количестве используют анимированные пространство является трудоёмким процессом. Ос-графические объекты. Создание подобных элементов, новными параметрами, определяющими затраты на

Актуальные проблемы авиации и космонавтики. Информационные технологии

создание определенного элемента являются: размер, детализация, тайминг, взаимодействие данного элемента с окружением (виртуальными или реальным) [2, с. 15]. Подобные интегрированные графическое элементы находят широкое применение в проектных работах визуального моделирования, а так же в сферах видео производства.

Предлагаемая технология подразумевает создание интегрированных медиа объектов с геометрической и световой корреляцией. Ее можно подразделить на несколько составляющих: 1 - определение плана, в соответствии с которым будет происходить действие в сцене; 2 - создание виртуальной сцены; 3 - создание медиа объектов; 4 - стадия интеграции; 5 - отработка неточночтей сцены.

В рамках тезисов сконцентрируем внимание на создании медиа элементов исходя из предположений, что существует реальная сцена (ландшафт, местность) и объект реальный или виртуальный (3Б).

Вышеизложенная задача реализуется следующим образом.

Согласно установленному плану (стадия 1) производится видеосъемка реальной сцены. Следует отметить, что существует ряд ограничений по проведению стадии реальных съемок: параметры видеозаписы-вающей аппаратуры должны обеспечивать разрешение достаточное для четкой дифференциации наименее значимых деталей сцены; движение аппаратуры не должно содержать высокочастотных колебаний, в противном случае будет дополнительная стадия программного сглаживания исходных данных, что неизбежно повлечет снижение выходного разрешения [1]. Далее создаётся виртуальная интерпретация полученной сцены (стадия 2). Используя программы трёхмерного треккинга, задавая контрольные точки (статичные однозначно дифференцируемые элементы сцены, чаще всего представляемые в виде характерных углов и ярких объектов) получаем координаты статичной сцены, а так же виртуальную интерпретацию движения камеры. В дальнейшем, при необходимости, на основе полученных данных можно проводить дополнительную стадию текстурирования виртуального пространства.

пространство

Стадия создания медиа объекта на основе реально существующего выполняется используя технологию хрома кей. Интересующий элемент помещается в пространство с монохромным фоном (цвет фона зависит от цветности помещаемого объекта и выбирается в соответствии с его наиболее характерным отсутствующим цветом). Далее производится видеосъемка. Использование технологии хрома кей для получения визуального так же подразумевает план, в соответствии с которым производится захват изображения. Завершающий этап создания необходимого визуального образа - использование программных алгоритмов удаления цвета из видеоизображения (в данной работе использовался подключаемый модуль Key Light 1.1 для программы Adobe After Effect CS4) [4, с. 382].

Для выполнения условия световой корреляции объекта и сцены, необходимо установить освещение объекта в соответствии с освещением сцены. При использовании виртуального 3D объекта световая корреляция выполняется созданием виртуальных источников освещения при помощи технологии HDR [3, с. 854].

Стадия геометрической интеграции полученного объекта в данную сцену выполняется в программном пакете Adobe After Effect. Объекту присваиваются базовые координаты в соответствии с полученными данными на стадии трехмерного треккинга. При соблюдении всех технологических процедур на предыдущих этапах, стадия отработки неточностей имеет условный характер.

На рисунке представлена функциональная схема взаимодействия программ и форматов.

Таким образом, можно сделать следующие выводы о достоинствах представляемой технологии:

- в данную сцену может быть интегрировано произвольное количество медиа объектов в условиях лимитированного пространства монохромного фона;

- получаемые визуальные образы объектов являются видеоизображением, что способствует снижению вычислительной нагрузки и ускорению процесса обработки;

- оперативность в замене однотипных элементов;

3D объект

Камера HDD/DV

*.MPG Декодер

объект (chroma key)

Камера HDD/DV

*.MPG Декодер

-W

(Последующее использование)

Функциональная схема взаимодействия программ и форматов

- наличие пространственных координат виртуальной сцены позволяет выполнять процедуру тек-стурирования.

В перспективе дальнейших исследований рассматривается возможноть более широкого использования технологии HDR [3, 854] для получения универсальной световой корреляции.

Библиографические ссылки

1. Авери Лии. УМыаЮыЪ 1.6.0 /Ва'Иаквг. Руководство пользователя [электронный ресурс], 2004.

2. Кватрани Т. Визуальное моделирование. М. : ДМК Пресс, 2001.

3. Келли Л. Мэрдок. Autodesk 3ds Max 9. Библия пользователя. 3D Studio MAX 9 : пер. с англ. М. : Диалектика, 2007.

4. Фишов П. М., Лобанов Д. К., Ловчиков А. Н. // Актуальные проблемы авиации и космонавтики. Материалы всерос. науч. конф., Сиб. гос. аэрокосмич. унт. Красноярск, 2010.

© Фишов П. М., Ловчиков А. Н., 2011

УДК 004.932

Д. А. Фурашев Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

МЕТОДЫ УЛУЧШЕНИЯ КАЧЕСТВА АРХИВНЫХ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЕЙ

Рассматриваются проблемы улучшения качества архивных видеопоследовательностей. Анализируются такие методы как Automatic Color Enhancement и метод компенсации движения на видеопоследовательности.

При старении пленки характеристики материалов, которые используются для цветных фотографий и фильмов, изменяются, что приводит к потере и искажению цветов. Для устранения этого недостатка может быть применен алгоритм Automatic Color Enhancement (АСЕ) [3, 4], который использует собранную по всему изображения статистику о цвете. Основываясь на механизмах адаптации зрительной системы человека, Метод ACE способен эффективно извлекать визуальную информацию. Согласно алгоритму, каждый пиксель p результирующего изображения R вычисляется отдельно по каждому каналу в соответствии с равенством:

R (р) = ^^шщтщ-т

где I(p) - I (j) - разница между текущим пикселом p и некоторым пикселом изображения j, d(p,j) - функция расстояния, которая взвешивает величину локального и глобального взноса, r() - функция яркости.

Также существует модифицированная версия этого алгоритма. Обычно в старых фильмах и фотографиях цвета искажаются так, что изображение имеет ярко выраженное преобладание какого-то одного цвета. Используя этот факт, была предложена следующая модификация алгоритма. Вычисляется математическое ожидание цвета пикселей изображения (EI) и выполняется цветовой сдвиг на математическое ожидание. Кроме того, необходимо сохранить яркость изображения.

Также актуальной задачей для архивных видеопоследовательностей является компенсация движения. Рассмотрим данную задачу. Компенсация движения является неотъемлемой частью хороших алгоритмов повышения качества видео, в частности, алгоритмов шумоподавления. Как правило, различают

пространственную и временную избыточность информации в видео. Под пространственной избыточностью понимают обычно схожесть значений соседних пикселов и плавность цветовых переходов в отдельно взятом кадре, то есть преобладание низких частот над высокими, если изображение рассматривать с точки зрения теории обработки сигналов. Эта избыточность используется и в алгоритмах сжатия изображений, среди которых наиболее хорошо себя зарекомендовали основанные на преобразовании Фурье (например, JPEG [1]) и на вейвлет-преобразовании [2].

Попиксельный метод является одним из наиболее эффективных методов компенсации движения. Компенсация производится отдельно для каждого пиксела кадра, рассматриваемый класс преобразований - линейные сдвиги. Минимизируется обычно суммарная ошибка компенсации для всего кадра (Displaced Frame Difference, DFD):

DFD(d,n) = _ |F(p,n.J- F(p + n - 1).

рсГпш*

где F(p, n) - яркость кадра номер n в точке p = (x, y)T, d(p) = (dx, dy)T - вектор смещения для точки (x, y)T. Подход основан на предположении, что яркость можно приблизить линейной функцией от положения точки в кадре. Это предположение оправданно только для сравнительно небольшой окрестности этой точки, что существенно снижает область применимости данного метода и позволяет ему корректно оценивать лишь небольшие сдвиги. Это ограничение можно преодолеть, оценивая не сам вектор сдвига, а его разность с некоторым вектором предсказания, который с большой вероятностью расположен ближе к искомому вектору, чем нулевой. В общем случае, когда движение может составлять десятки пикселов, вектор сдвига ищется с помощью итерационного алгоритма -