Гибка контуров

V-образный изгиб:

V-образная гибка является наиболее распространенным методом гибки с использованием пуансона и штампа. Она имеет три подгруппы – гибка на основе или нижняя гибка, «свободная» или «воздушная» гибка и чеканка. На воздушную гибку и гибку на основе приходится около 90% всех операций гибки.

Приведенная ниже таблица поможет вам определить минимальную длину фланца b (мм) и внутренний радиус ir (мм) в зависимости от толщины материала t (мм). Вы также можете увидеть ширину матрицы V (мм), которая необходима для таких характеристик. Для каждой операции нужен определенный тоннаж на метр. Это также показано в таблице. Вы можете видеть, что более толстые материалы и меньшие внутренние радиусы требуют большей силы или тоннажа. Выделенные параметры являются рекомендуемыми спецификациями для гибки металла.

Допустим, у меня есть лист толщиной 2 мм, и я хочу его согнуть. Для простоты я также использую внутренний радиус 2 мм. Теперь я вижу, что минимальная длина фланца для такого изгиба составляет 8,5 мм, поэтому я должен учитывать это при проектировании. Требуемая ширина матрицы составляет 12 мм, а тоннаж на метр – 22. Самая низкая общая производительность стенда составляет около 100 тонн. Линия гибки моей заготовки составляет 3 м, поэтому общая необходимая сила составляет 3 * 22 = 66 тонн. Таким образом, даже простой верстак, с достаточным количеством места, чтобы согнуть 3-метровые листы, подойдет.

Тем не менее, нужно помнить об одном. Эта таблица применима к конструкционным сталям с пределом текучести около 400 МПа. Если вы хотите согнуть алюминий , значение тоннажа можно разделить на 2, так как для этого требуется меньше усилий. С нержавеющей сталью происходит обратное – требуемое усилие в 1,7 раза больше, чем указано в этой таблице.

Гибкие материалы:  Методы ценообразования – советы, примеры, расчеты

Воздушная гибка:

Частичная гибка, или воздушная гибка, получила свое название от того факта, что обрабатываемая деталь фактически не касается деталей инструмента полностью. При частичном гибе заготовка опирается на 2 точки, и пуансон толкает изгиб. По-прежнему обычно выполняется на листогибочном прессе, но при этом нет фактической необходимости в боковом штампе.

Воздушная гибка дает большую гибкость. Допустим, у вас есть матрица и пуансон на 90°. С помощью этого метода вы можете получить результат от 90 до 180 градусов. Хотя этот метод менее точен, чем штамповка или чеканка, в его простоте и заключается его прелесть. В случае, если нагрузка ослабнет, и упругая отдача материала приведет к неправильному углу, его легко отрегулировать, просто приложив еще немного давления.

Конечно, это результат меньшей точности по сравнению с нижним прессованием. В то же время большим преимуществом частичной гибки является то, что для гибки под другим углом не требуется переналадка инструмента.

Использованная литература

Александр Марино Фернандес, Фернандо Яццетта, Изгибание схем и культура DIY

  1. ^Джокер Нис (30 июня 2022 г.). “Изгибайте электронные игрушки в звуковых монстров!”. Электронный музыкант. Ванна: Издательство будущего. Архивировано из оригинал 28 июня 2022 г.. Получено 28 июн 2022.
  2. ^Рид Газала: http://www.anti-theory.com/soundart/circuitbend/cb14.html
  3. ^“гибка цепи”. Получено 3 июн 2022.
  4. ^Рид Газала: Создавайте схемы, создавайте собственные инопланетные инструменты, Экстремальные технологии, 2006
  5. ^Деаль, Дэни (14 сентября 2022 г.). “Взломать Ферби во имя музыки”. Грани. Получено 11 июля 2020.
  6. ^Вейл, Марк: Винтажные синтезаторы: новаторские дизайнеры, новаторские инструменты, советы по сбору, мутанты технологий, Книги Backbeat; 2.00 издание (15 марта 2000 г.)
  7. ^“ЮЛЭ 2008”. Получено 3 июн 2022.

Новаторы

Хотя аналогичные методы ранее использовались другими музыкантами и инженерами, считается, что этот метод создания музыки был впервые использован Рид Газала в 1960-е гг. Опыт Газалы в области гибки контуров начался в 1966 году, когда игрушка транзисторусилитель мощности случайно задел металлический предмет в ящике его стола, что привело к потоку необычных звуков.[4] Хотя Газала говорит, что он не был первым изгибателем цепей, он ввел термин «Изгибание цепей» в 1992 году.[5]

Серж Черепнин, дизайнер Модульные синтезаторы Serge, обсуждали[6] его ранние эксперименты 1950-х годов с транзистор радио, в котором он обнаружил чувствительные точки в этих простых электронных устройствах и вывел их на «телесные контакты» на пластиковом шасси.

С 1984 года швейцарский дуэт Голосовая трещина создавали музыку, манипулируя обычными электронными устройствами в практике, которую они назвали «взломанной бытовой электроникой».[7]

Примечания и ссылки

  1. a и b (in) Брайан Андерсон, «  Знакомьтесь, Рид Газала, отец Circuit Bending  » на Vice Magazine ,7 августа 2022 г.(по состоянию на 20 февраля 2022 г. ) .
  2. (in) Reed Ghazala Circuit-Bending and Living Instruments , vol.  VIII, EMI,1992 г., гл.  1.
  3. (in) Марк Вейл , Винтажные синтезаторы: новаторские дизайнеры, новаторские инструменты, советы по коллекционированию, мутанты технологий , книги по Backbeat; 2.00 издание,15 марта 2000 г..
  4. (in) «  Норберт Мёсланг: Cracked Everyday  » на Paris Transatlantic (по состоянию на 20 февраля 2022 г. ) .
  5. (in) ”  Интервью с Aphex Twin  “ в журнале Clash ,5 февраля 2006 г.(по состоянию на 20 февраля 2022 г. ) .
  6. (in) ”  Devo  “ о звуке на звуке ,август 2022 г.(по состоянию на 20 февраля 2022 г. ) .
  7. (in) ”  Devo Lead Singer говорит об изменении схемы, мобильной музыке  “ на synthtopia ,23 сентября 2022 г.(по состоянию на 20 февраля 2022 г. ) .
  8. (in) «  Изгибание схемы на MoogFest 2022: В мыслях доктора Бланкенштейна Уайлда  » на sonicscoop.com ,22 апреля 2022 г.(по состоянию на 20 февраля 2022 г. ) , Бланкенштейн уделяет особое внимание своей части: маленьким инструментам, которые Kraftwerk использовал для создания своей знаменитой песни «Pocket Calculator».

Принцип

Гибка контуров

Мастерская по гибке контуров в помещении

ассоциации

экспериментальной музыки

PiedNu (Fort de Tourneville, Гавр)

Гибка схемы состоит из разборки электронного устройства и соединения двух частей схемы вместе проводом. Результаты оцениваются в реальном времени через громкоговоритель объекта или путем подключения усилителя к аудиовыходу. Если обнаруживается интересный эффект, соединение отмечается на схеме, чтобы припаять провода, соединенные друг с другом переключателем, который позволяет активировать эффект.

Другие компоненты могут улучшить использование устройства Бенде: потенциометры , фоторезисторы , датчики давления и т. Д. Различные типы переключателей и потенциометров, прикрепленные к внешней стороне корпуса устройства изгиба, часто восстанавливаются и придают изгибу цепи определенный творческий и эстетический вид.

Программный комплекс распознавания лица человека

ISSN 1992-6502 (Print) 2022. Т. 21, № 3 (77). С. 79-86

Вестник УГАТУ

ISSN 2225-2789 (Online) http://journal.ugatu.ac.ru

УДК 519.764

Программный комплекс распознавания лица человека

1 7 Ч Д

к. р. Ахметзянов , в. и. Сазонов , ю. н. Липина. а. Южаков4

1 kirill94a@mail.ru, 2 vlsa0880@gmail.com, 3 y_lipinin@mail.ru, 4 us@at.pstu.ru ФГБОУ ВО «Пермский национальный исследовательский политехнический университет»

Поступила в редакцию 21.06.2022

Аннотация. Разработан программный комплекс распознавания лиц человека с использованием библиотеки технического зрения ОрепСУ. На основании алгоритма Виолы-Джонса вырезается лицо из видеокадра с определением 68 точек лица, которые используются для метода гибких контуров с учетом нарушения правил золотого сечения природного построения лица за счет его индивидуальной асимметрии, а также геометрической структуры. Дополнительно предложен алгоритм автоматической коррекции яркости и контрастности входного изображения. В разработанном программном комплексе есть четыре варианта создания базы и распознавания: по набору фотографий, по записанному видеопотоку, по видеопотоку 1Р-камеры и по видеопотоку иБВ-камеры. Описан порядок действий для создания базы и распознавания для каждого варианта. Также в статье дано описание директорий и файлов, из которых состоит программный комплекс распознавания лиц, и двух разработанных модулей. В конце статьи приведены результаты тестирования программного комплекса.

Ключевые слова: распознавание лиц; гибкие контуры; правила золотого сечения; асимметрия лица; коррекция цвета.

ВВЕДЕНИЕ

Автоматические охранные системы с «фейсконтролем» и мониторинг несанкционированной активности, игрушки-роботы и автономные космические зонды, анализ документов и изображений, видеобазы данных, самообучающиеся компьютерные системы, управление компьютером с помощью жестов, интерфейсы прикладных программ – это лишь некоторые примеры использования технологий «компьютерного зрения» – одного из самых перспективных исследовательских направлений, которое открывает новые методы взаимодействия с компьютером без использования классических устройств взаимодействия «человек-компьютер». Дружественные и персонализированные способы общения с компьютером означают, что интерфейсы нового поколения должны идентифицировать окружающую человека обстановку и, как минимум, узнавать его самого, т.е. научить компьютер идентифицировать личность чело-

века. Существует большое разнообразие биометрических методов идентификации: голос, отпечатки пальцев, подпись, распознавание сетчатки и радужной оболочки глаза, лицо человека [1-2]; причем многие из них получили широкое коммерческое применение и используются в практических и коммерческих разработках.

Сегодня большой интерес вызывают методы биометрической идентификации, позволяющие определить личность человека по его физиологическим характеристикам путем распознавания по образцам [3]. Классический пример биометрии – анализ отпечатков пальцев, а к новейшим технологиям относятся распознавание сетчатки и радужной оболочки глаза. Интерфейс типа «остановись и продекларируй себя» нужен приложениям с высокими требованиями к безопасности (некоторая задержка заставит пользователя осознать важность проблемы). Для интеллектуальных сред нового поколения лучше всего подходят технологии рас-

познавания лиц и голоса. Они ненавязчивы (распознавание происходит на расстоянии, не требуют специального уровня освещенности), не ограничивают пользователя в свободе перемещений [4-5].

Но самое важное, по-видимому, то, что люди обычно узнают друг друга по лицам и голосам, значит, не будут испытывать неудобств с системой, основанной на аналогичных способах распознавания. Также новый стимул разработке систем распознавания человека по лицу дало обострение ситуации с международным терроризмом. Установка подобных систем в местах массового скопления людей (аэропортах, вокзалах, крупных торговых центрах) должна способствовать раннему выявлению лиц, находящихся в розыске.

При всем многообразии различных алгоритмов и методов распознавания изображений, типичный метод распознавания состоит из трех компонентов [6]:

1. Преобразование исходного изображения в начальное представление (может включать в себя как предобработку, так и математические преобразования, например, вычисления главных компонент).

2. Выделение ключевых характеристик изображения (например, берутся первые п главных компонент или коэффициентов дискретного косинусного преобразования).

3. Механизм классификации (моделирования): кластерная модель, метрика, нейронная сеть и т.п.

Рассмотрим наиболее распространенные используемые математические методы распознавания [3], основанные на геометрических характеристиках лица.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ РАСПОЗНАВАНИЯ ЛИЦ

Анализ геометрических характеристик лица. Суть метода заключается в выделении набора ключевых точек (или областей) лица и последующем выделении набора признаков. Каждый признак является либо расстоянием между ключевыми точками, либо отношением таких расстояний. В отличие от метода сравнения эластичных графов [6], здесь расстояния выбираются не как дуги графов, а как наборы наиболее информативных признаков, выделенных экспериментально. Ключевыми

точками могут быть уголки глаз, губ, кончик носа, центр и другие.

Метод главных компонент, или principal component analysis (PCA). Одним из наиболее известных и проработанных является метод главных компонент (principal component analysis, PCA) [3], основанный на преобразовании Карунена-Лоэва. Active Appearance Models (AAM) и Active Shape Models (ASM)) – это статистические модели изображений, которые путем разного рода деформаций могут быть подогнаны под реальное изображение. Суть метода ASM заключается в учете статистических связей между расположением антропометрических точек на имеющейся выборке изображений лиц, снятых в анфас [6].

Метод сравнения эталонов. Сравнение эталонов (Template Matching) заключается в выделении областей лица на изображении и последующем сравнении этих областей для двух различных изображений [3]. Каждая совпавшая область увеличивает меру сходства изображений. Это также один из исторически первых методов распознавания человека по изображению лица. Для сравнения областей используются простейшие алгоритмы типа попиксельного сравнения изображения глаза, в качестве ключевых областей могут быть прямоугольные области, включающие в себя: глаза, нос, рост и т.д.

Гибкое сравнение с графом лица. Система Университета Южной Калифорнии распознает лица путем сравнения графов лица (elastic graph matching) [4]. Агентство DARPA и Исследовательская лаборатория армии США разработали программу Feret (face recognition technology) [5]. Цель этой программы – оценить эффективность предложенных алгоритмов и стимулировать развитие лучших из них. В ходе реализации программы Feret несколько алгоритмов продемонстрировали самый высокий уровень точности распознавания для больших баз данных (1200 человек) в наиболее сложных для распознавания условиях тестирования.

Нейронные сети (ИНС). Еще одним направлением распознавания является применение нейронных сетей [3]. ИНС представляет собой систему соединенных и взаимодействующих между собой простых элементов (искусственных нейронов). Каж-

дый элемент подобной системы имеет дело только с сигналами ИНС, которые он периодически получает, и сигналами, которые он периодически посылает другим элементам. И тем не менее, будучи соединенными в достаточно большую сеть с управляемым взаимодействием, такие локально простые элементы вместе способны выполнять довольно сложные задания. Для обучения каждому новому представлению приходится тщательно подбирать вручную параметры обучения и другие характеристики сети, что, однако, не гарантирует сходимости.

Скрытые Марковские модели. Марковские модели являются мощным средством моделирования различных процессов и распознавания образов [3]. По своей природе Марковские модели позволяют учитывать непосредственно пространственно-временные характеристики сигналов и поэтому получили широкое применение в распознавании речи, а в последнее время – изображений (в частности, изображений лиц).

Указанные методы нашли широкое применение в ряде коммерческих продуктов. Рассмотрим некоторые из них. Проведенный авторами анализ показал, что три выбиваются в лидеры – это разработки компаний Viisage, Visionic, Miros [4].

В основе приложения FaceIt компании Visionic лежит алгоритм анализа локальных признаков, разработанный в Университете

Рокфеллера [4]. Коммерческая компания в Великобритании интегрировала FaceIt в телевизионную антикриминальную систему под названием Mandrake [5]. Эта система ищет преступников по видеоданным, которые поступают с 144 камер, объединенных в замкнутую сеть. Когда устанавливается идентичность, система сообщает об этом офицеру безопасности.

Следует отметить разработку российской компании (система «Видео Око», Россия, Сколково) – для работы система применяет черно-белые камеры высокого разрешения, время принятия решения составляет полторы секунды для Pentium 200 (регистрируемые события: движения в кадре, изменения фона, лицо в кадре, лицо распознано).

С учетом [7] и нашего опыта, отметим следующие недостатки указанных систем:

1. Низкая статистическая достоверность (т.е. высока степень отклонения одних и тех же ключевых точек лица, полученных в разных условиях съемки), что снижает достоверность распознавания.

2. Предъявляются особые требования к освещению в помещениях, где установлена система (например, не удается регистрировать лица входящих с улицы людей в солнечный день).

3. Для многих алгоритмов неприемлемость каких-либо внешних помех, как, например, очки, борода, некоторые элементы прически.

Загрузит» базу Gil

1

Загрузить таном пот»

2

3

4

Рис. 1. Результат работы программного комплекса распознавания лиц:

1 – управление вводом; 2 – кадр из входного потока; 3 – вырезанное лицо; 4 – найденное в базе лицо

Work В«* Clear Mem« Memo-Print Memo -Print № % Memo- – > print N &»v»2 РкпойныиисЛищ Hetp int Рис. 2. Строка главного меню программы распознавания лиц

4. Обязательно фронтальное изображение лица с весьма небольшими отклонениями (до 15° поворота в сторону и 45° наклона от фронтального изображения).

5. Многие алгоритмы не учитывают возможные изменения мимики лица, то есть выражение должно быть нейтральным.

На рис. 1 изображен результат работы программы распознавания лиц.

На рис. 2 изображена строка главного меню программного комплекса распознавания лиц.

В ходе разработки программного комплекса некоторые из отмеченных недостатков были устранены.

ОПИСАНИЕ АРХИТЕКТУРЫ ПРОГРАММНОГО КОМПЛЕКСА РАСПОЗНАВАНИЯ ЛИЦ

Авторами в алгоритм программного комплекса было добавлено вычисление параметров с помощью метода гибких контуров, который учитывает нарушения правил золотого сечения природного построения лица за счет его индивидуальной асимметрии и который основан только на геометрии лица, за счет чего достигается высокий процент идентификации (на объем базы от 300 до 400 человек), малая критичность цветовых характеристик лица при распознавании лиц и отсутствие влияния таких факторов, как: скрытие верхней части лица (прическа, головной убор), глаз (очки, за исключением солнцезащитных).

Также в алгоритм авторами было добавлено возврат точек лица в исходное состояние, если голова распознаваемого человека наклонена.

Авторами статьи также была добавлена коррекция яркости и контрастности изображения, за счет которой поиск точек лица выполняется более точно и по этой причине достигается больший процент правильного распознавания.

В созданном программном комплексе распознавания лиц есть два режима работы:

1. Создание базы.

2. Распознавание лиц.

В программном комплексе распознавания лиц есть следующие варианты создания базы:

• создание базы по фотографиям;

• создание базы по записанному видеопотоку;

• создание базы по видеопотоку IP-камеры;

• создание базы по видеопотоку USB-камеры.

В программном комплексе распознавания лиц есть следующие варианты распознавания лиц:

• идентификация по фотографиям;

• идентификация по записанному видеопотоку;

• идентификация по видеопотоку IP-камеры;

• идентификация по видеопотоку USB-камеры.

Программный комплекс распознавания лиц состоит из следующих файлов:

1. «Project1.exe» – исполняемый файл программного комплекса распознавания лиц (модуль 1).

2. «Detection.dll» – динамическая библиотека программного комплекса распознавания лиц (модуль 2).

3. «shape_predictor_68_face_landmarks.dat» -бинарный файл, содержащий модели-шаблоны точек лица.

4. «ip_path.txt» – файл, содержащий путь до RTSP-потока IP-камеры.

Программный комплекс распознавания лиц состоит из следующих директорий:

1. «Gall» – директория, в которой находятся вырезанные лица базы программного комплекса распознавания лиц.

2. «Sgall» – директория, в которой находится файл «SFg.txt» – файл с координатами точек базы программного комплекса распознавания лиц.

3. «Fgal» – директория, в которой находится файл «fg.txt» – файл с векторами (вектор – это математическая модель лица человека, состоящая из десяти значений, полу-

ченных в результате математического преобразования ключевых точек лица, – параметров и одиннадцатого параметра – значения, представляющего собой среднее арифметическое по десяти параметрам) базы программного комплекса распознавания лиц.

4. «TwoFaces» – директория, в которой содержатся изображения-объединения лиц из входного потока и распознанных лиц из базы программного комплекса распознавания лиц.

Программный комплекс распознавания лиц состоит из двух модулей:

1. Модуль 1 (Project1.exe) – создание математической модели лица в виде 11-значного вектора и распознавание.

2. Модуль 2 (Detection.dll) – поиск лица с использованием алгоритма Виолы-Джонса с вырезанием его и получением точек лица.

Библиотека Detection.dll скомпилирована в Microsoft Visual Studio 2022 Community с включением расширенных наборов инструкций AVX (Advanced Vector Extensions – расширение системы команд х86 для микропроцессоров Intel и AMD), а также были использованы функции библиотек OpenCV [9] и Dlib.

Каждый модуль состоит из следующих разделов пункта меню Work Basa:

1. Создание базы по фотографиям.

2. Создание базы по записанному video потоку.

3. Создание базы по video потоку через IP-камеру.

4. Создание базы по video потоку через USB-камеру.

5. Просмотр видео.

6. Вывод числовой модели базы.

7. Идентификация по фотографиям.

8. Идентификация по записанному video потоку.

9. Идентификация по video потоку через IP-камеру.

10. Идентификация по video потоку через USB-камеру.

11. Остановить создание базы или распознавание через USB- или IP-камеру.

ОПИСАНИЕ ПОРЯДКА ДЕЙСТВИЙ ПРИ СОЗДАНИИ БАЗЫ

Если база программного комплекса распознавания лиц создается по фотографиям, то выполняются действия в следующем порядке:

1. Нажать кнопку «Загрузить входной поток» и выбрать первую фотографию из директории, в которой содержится база фотографий лиц.

2. Нажать пункт меню «Создание базы по фотографиям».

3. Нажать пункт меню «Создание базы».

Если база программного комплекса распознавания лиц создается по записанному видеопотоку, то выполняются действия в следующем порядке:

1. Переместить видео, с которого будет выполняться создание базы, в ту же директорию, где находится программный комплекс распознавания лиц, с названием «1_Rec.mp4».

2. Нажать пункт меню «Создание базы по записанному video потоку».

3. Нажать пункт меню «Создание базы».

Если база программного комплекса распознавания лиц создается по видеопотоку IP-камеры, то выполняются действия в следующем порядке:

1. Прописать путь до RTSP потока IP-камеры, через которую будет создаваться база программного комплекса распознавания лиц, в файле «ip_path.txt», который расположен в той же директории, что и исполняемый файл программного комплекса распознавания лиц.

2. Нажать пункт меню «Создание базы по video потоку через IP-камеру».

3. Нажать пункт меню «Остановить создание базы или распознавание через USB-или IP-камеру» после завершения вырезания лиц с потока IP-камеры (когда необходимо завершить процесс вырезания лиц, пользователь программного комплекса распознавания лиц решает сам).

4. Нажать пункт меню «Создание базы».

Если база программного комплекса распознавания лиц создается по видеопотоку через USB-камеру, то выполняются действия в следующем порядке:

1. Нажать пункт меню «Создание базы по video потоку через USB-камеру».

2. Нажать кнопку «Остановить создание базы или распознавание через USB- или IP-камеру» после завершения вырезания лиц с потока USB-камеры (когда необходимо завершить процесс вырезания лиц, пользователь программного комплекса распознавания лиц решает сам).

3. Нажать пункт меню «Создание базы».

ОПИСАНИЕ ПОРЯДКА ДЕЙСТВИЙ ПРИ РАСПОЗНАВАНИИ ЛИЦ

Если распознавание лиц будет осуществляться по фотографиям, то выполняются действия в следующем порядке:

1. Нажать кнопку «Загрузить базу Gall» и выбрать первую фотографию из директории Gall, которая расположена в той же директории, что и исполняемый файл программы распознавания лиц.

2. Нажать пункт меню «Вывод числовой модели базы».

3. Нажать кнопку «Загрузить входной поток» и выбрать первую фотографию из директории, в которой содержится база фотографий лиц, которая будет распознаваться.

4. Нажать пункт меню «Идентификация по фотографиям».

Если распознавание лиц будет осуществляться по записанному видео, то выполняются действия в следующем порядке:

1. Нажать кнопку «Загрузить базу Gall» и выбрать первую фотографию из директории Gall, которая расположена в той же директории, что и исполняемый файл программного комплекса распознавания лиц.

2. Нажать пункт меню «Вывод числовой модели базы».

3. Переместить в ту же директорию, где находится программный комплекс распознавания лиц, видео, с которого будет выполняться распознавание, с названием «1_Rec.mp4».

4. Нажать пункт меню «Идентификация по записанному video потоку».

Если распознавание лиц будет осуществляться по видеопотоку через IP-камеру, то выполняются действия в следующем порядке:

1. Нажать кнопку «Загрузить базу Gall » и выбрать первую фотографию из директории Gall, которая расположена в той же директории, что и исполняемый файл программного комплекса распознавания лиц.

2. Нажать пункт меню «Вывод числовой модели базы».

3. Прописать путь до RTSP потока IP-камеры, через которую будут производиться распознавание лиц, в файл «ip_path.txt», который расположен в той же директории, что и исполняемый файл программного комплекса распознавания лиц.

4. Нажать пункт меню «Идентификация по video потоку через IP-камеру».

5. Нажать кнопку «Остановить создание базы или распознавание через USB- или IP-камеру» после завершения распознавания лиц с потока IP-камеры (когда необходимо завершить процесс распознавания лиц, пользователь программного комплекса распознавания лиц решает сам).

Если распознавание лиц будет осуществляться по видеопотоку через USB-камеру, то выполняются действия в следующем порядке:

1. Нажать кнопку «Загрузить базу Gall» и выбрать первую фотографию из директории Gall, которая расположена в той же директории, что и исполняемый файл программного комплекса распознавания лиц.

2. Нажать пункт меню «Вывод числовой модели базы».

3. Нажать пункт меню «Идентификация по video потоку через USB-камеру».

4. Нажать кнопку «Остановить создание базы или распознавание через USB- или IP-камеру» после завершения распознавания лиц с потока IP-камеры (когда необходимо завершить процесс распознавания лиц, пользователь программного комплекса распознавания лиц решает сам).

Программный комплекс распознавания лиц работает на операционных системах Windows 7 хб4, Windows 8.1 хб4, и ее апробация производилась на компьютерах с процессорами Intel Xeon, Intel i5, Intel i7.

Условия тестирования программного комплекса распознавания лиц:

1. Из видеопотока была создана база данных (вырезаны лица с точками) в 385 человек.

2. Создан проверочный тестовый видеопоток, состоящий из 385 тех же лиц, что и в базе, 118 лиц, входящих в перечень 385 человек, но в другой день, и 100 лиц чужих, не входящих в перечень 385 человек.

3. Всего было пропущено через программу 603 человек.

Результаты тестирования программного комплекса распознавания лиц:

1. Из входного потока распознаны все 385 человек.

2. Все дубли 118 человек найдены и распознаны, как входящие в базу.

3. Чужие лица были обнаружены в количестве 100 человек.

4. Время распознавания на один объект составило 479 миллисекунд.

ЗАКЛЮЧЕНИЕ

В этой статье представлено описание и результаты разработанной программы распознавания лиц, которая имеет следующие особенности:

1. Высокий процент идентификации (на объем базы от 300 до 400 человек).

2. Отсутствие влияния таких факторов, как: скрытие верхней части лица (прическа, головной убор), глаз (очки, за исключением солнцезащитных) и наклон головы.

3. Время распознавания человека составляет (в используемом программном комплексе) 479 миллисекунд для базы в 385 человек и потока в 603 человек.

4. Для определения точек в алгоритме Виолы-Джонса цветовые характеристики лица не очень критичны (в предлагаемом алгоритме распознавания RGB пикселей не используются).

5. В созданном программном комплексе реализуется коррекция яркости и контрастности изображения (если у изображения низкая яркость и контрастность, то она повышается) для повышения точности распознавания.

Дальнейшие направления исследований следует направить на:

• улучшение распознавания с учетом поворота и наклона головы;

• компенсацию влияния яркости и контрастности;

• определение оптимального числа ключевых параметров лица.

СПИСОК ЛИТЕРАТУРЫ

1. Болл Р. М. и др. Руководство по биометрии. М.: Техносфера, 2007. 368 с. [ R. M. Boll et al., Guide to biometrics, (in Russian). M.: Tekhnosfera, 2007. ]

2. Бонгард М. М. Проблема узнавания. М.: «Наука», 1967. 279 с. [ M.M. Bongard, A problem of recognition, (in Russian). M.: Nauka, 1967. ]

3. Коломиец В. Анализ существующих подходов к распознаванию лиц [Электронный ресурс]. URL: http://habrahabr.ru/company/synesis/blog/238129/ (дата обращения: 05.09.2022). [ V. Kolomiyets (2022, Sept. 05). Analysis of existing approaches to face recognition [Online], (in Russian). Available:

http://habrahabr.ru/company/synesis/blog/238129/ ]

4. Пентланд А., Чаудхари Т. Распознавание лиц для интеллектуальных сред [Электронный ресурс]. URL: http:// http://www.osp.ru/os/2000/03/177939/ (дата обращения: 26.09.2022). [ A. Pentland and T. Choudhari. (2022, Sept. 26). Face recognition for intellectual environment [Online], (in Russian). Available: http://www.osp.ru/os/2000/03/177939/ ]

5. Darpa запустило систему программу разработки системы [Электронный ресурс]. URL:

http://www.aex.ru/news/2022/5/26/154047/ (дата обращения: 28.09.2022). [ Darpa launches system program for system development. (2022, Sept. 28). [Online], (in Russian). Available: http://www.aex.ru/news/2022/5/26/154047/ ]

6. Козлов П. В., Липин Ю. Н., Южаков А. А. Распознавание лица человека // Информационные технологии в науке, образовании, телекоммуникации, бизнесе IT SE’11: Материалы XXXVIII Междунар. конф. и дискуссионного научного клуба (Украина, Крым, Ялта-Гурзуф, 110 окт. 2022). [ P. V. Kozlov, Y. N. Lipin and A. A. Yuzhakov, “Human face recognition”, (in Russian), in Proc. XXXVIII International conference and discussion science club (IT SE’11), Yalta-Gurzuf, Ukraine, 2022. ]

7. Мальцев А. Современные биометрические методы идентификации [Электронный ресурс]. URL: http://habrahabr.ru/post/126144/ (дата обращения: 17.09.2022). [ A. Maltsev. (2022, Sept. 17). Modern biometric identification methods [Online], (in Russian). Available: http://habrahabr.ru/post/126144/ ]

8. Face Recognition with OpenCV. [Электронный ресурс]. URL:

http://docs.opencv.org/2.4/modules/contrib/doc/facerec/fac erec_tutorial.html (дата обращения: 29.09.2022). [ Face Recognition with OpenCV (2022, Sept. 29) [Online]. Available: http://docs.opencv.org/2.4/modules/contrib/doc/facerec/fac erec_tutorial.html ]

ОБ АВТОРАХ

АХМЕТЗЯНОВ Кирилл Раисович, студент каф. автоматики и телемеханики. Готовит диплом по разработке программного обеспечения по распознаванию лиц.

САЗОНОВ Владислав Игоревич, студент каф. автоматики и телемеханики. Готовит диплом по разработке программного обеспечения по распознаванию лиц.

ЛИПИН Юрий Николаевич, доцент каф. автоматики и телемеханики. Дипл. инж.-геофиз. (Пермск. гос. ун-т, 1958). Дипл. инж.-радиоэлектронщика (СЗПИ, 1964). Канд. техн. наук по выч. техн. (СЗПИ, 1971). Иссл. в обл. защиты информации и распознавания образов.

ЮЖАКОВ Александр Анатольевич, проф., зав. каф. автоматики и телемеханики. Дипл. инж. (Пермск. политехн. ин-т, 1979). Канд. техн. наук (Пермск. политехн. ин-т, 1987). Д-р техн. наук по упр. и диагн. техн. инф.-упр. систем (ПГТУ, 1997). Иссл. в обл. распознавания образов.

METADATA

Title: Humans face recognition software project.

Authors: K. R. Akhmetzyanov 1, V. I. Sazonov 2, Yu. N. Lipin 3, A. A.Yuzhakov4

Affiliation:

Perm National Research Polytechnic University (PNRPU), Russia.

Email: 1 kirill94a@mail.ru, 2 vlsa0880@gmail.com, 3 y_lipinin@mail.ru, 4 us@at.pstu.ru

Language: Russian.

Source: Vestnik UGATU (scientific journal of Ufa State Aviation Technical University), vol. 21, no. 3 (77), pp. 79-86, 2022. ISSN 2225-2789 (Online), ISSN 1992-6502 (Print).

Abstract: We developed computer face recognition software using OpenCV library. Based on the Viola-Jones algorithm face is cutting from the video frame and looking for 68 points of the face which is used for flexible paths algorithm with considering disturbance golden rule of the natural face structure by his individual asymmetry and also geometry structure. In addition shows algorithm of the automatic brightness and contrast of the incoming image.

Key words: Face detection; flexible paths; golden rule; asymmetry of the face; color correction.

About authors:

AKHMETZYANOV, Kirill Raisovich, Student, Dept. of Automatic and Telemechanic.

SAZONOV, Vladislav Igorevich, Student, Dept. of Automatic and Telemechanic.

LIPIN, Yuri Nikolaevich, Associate Prof., Dept. of Automatic and Telemechanic of Perm Nat. Res. Polytech. Un-ty. Dipl. geophysical engineer (Perm State Un-ty, 1958). Dipl. electronic engineer (NWPI, 1964). Cand. of Tech. Sci in computer technology. (NWPI, 1971). Research in the area of information security and pattern recognition.

YUZHAKOV, Alexander Anatoljevich, Prof., Head of Dept. of Automatic and Telemechanic of Perm Nat. Res. Polytech. Un-ty. Dipl. engineer (Perm Polytech. In-t, 1979). Cand. of Tech. Sci. (PPI, 1987). Dr. of Tech. Sci. (LETI, 1997). Research in the area of pattern recognition.

Статья "проектирование тентовых оболочек" из журнала cadmaster №1(6) 2001 (январь-март)

Мягкие оболочки (МО) широко применяются как в сезонных, так и в капитальных сооружениях. Наиболее распространенные в малых архитектурных формах (навесы, знаковые сооружения), они получили известность благодаря использованию в большепролетных сооружениях — выставочных комплексах в Осло, Осаке (Экспо`70, Япония), Бордо (Франция) и Брисбене (Экспо`88, Австралия), летнем театре в Каннах, международном аэропорту Джидда в Саудовской Аравии…

Легкость, выразительность, динамичность архитектурного образа объектов достигается за счет специфичных свойств основного конструктивного элемента — механически растянутой (напряженной) безизгибной мягкой оболочки. Устойчивость геометрии обеспечивает форма поверхности отрицательной гауссовой кривизны (ОГК). Такие оболочки называются тентовыми или, сокращенно, ТО. Форму поверхности обусловливают геометрия опорного контура, условия преднапряжения и крепления к несущим конструкциям покрытия — иначе говоря, условия на контуре. Даже незначительное изменение этих условий ведет к формированию новой формы поверхности — с другими значениями площади покрытия и внутреннего объема, иными условиями механической работы. Отсюда богатый выбор форм, оригинальность сооружений, но и большая сложность проектных работ, связанных с определением исходной геометрии поверхности.

Исходная форма тентовой оболочки, определяющая архитектурный облик объекта, устанавливается на этапе эскизного проектирования. Качественный архитектурный, функциональный и конструктивный анализ требует достаточно точного, детального описания и графического отображения топологии поверхности. Исследования в области формообразования тентовых оболочек ведут многие отечественные научно-исследовательские и проектные институты, вузы (ЛенЗНИИЭП, ЦНИИСК, НИИЖБ, КиевЗНИИЭП, МНИИТЭП, Моспроект, Укрпроектстальконструкция, МИСИ, КГАСА). Для определения топологии поверхности, как правило, используют методы физического моделирования на основе жидких пленок и эластичных материалов, а также графоаналитические и численные методы.

Метод физического моделирования весьма нагляден и позволяет достаточно точно моделировать поверхность, форма которой приближена к минимальной. При этом он очень трудоемок, зависит от масштаба модели и физико-механических свойств ее материала.

Аналитический метод обеспечивает высокую точность построения описанных формулами поверхностей и параметрическое управление геометрией, но ограничен невозможностью моделирования поверхности на опорном контуре произвольной геометрией и небольшим набором аналитически описанных поверхностей, применяемых для моделирования тентовой оболочки. Используя численные методы, удается моделировать различные условия на контуре, строить поверхность любой сложности (если представлены исходные данные, в том числе начальная геометрия), а также максимально автоматизировать весь процесс проектирования — от определения исходной геометрии поверхности до прочностного расчета и раскроя.

К сожалению, в большинстве своем численные методы отличаются повышенной трудоемкостью и громоздкостью расчета, что исключает оперативное управление процессом формообразования. Обычно к ним обращаются при расчете и уточнении конечного варианта тентовой оболочки, а для получения расчетной схемы, исходной формы поверхности применяют более простые, но высокопроизводительные методы. Именно один из таких численных методов стал исходным при разработке метода интерактивного моделирования тентовых оболочек, в основу которого положена идея поузловой трансформации изначально плоской сеточной модели оболочки, закрепленной на неизменяемом опорном контуре. В ходе анализа пересечений проекции опорного контура и рядов сети определяются внешние, внутренние и контурные узлы. Для последних, исходя из геометрии опорного контура, вычисляется ордината Z. Далее последовательно уточняются ординаты внутренних, незакрепленных узлов сети. Вычисления производятся по формуле:

где i, j — номер узла в матрице сети.

То есть определяется среднее арифметическое от координат ближайших узлов сети. Этот процесс повторяется до тех пор, пока все координаты узлов предыдущего и последующего приближения не будут отличаться на заранее определенную величину, характеризующую точность, степень приближения сети к искомой форме поверхности. Впрочем, полученная таким методом поверхность недостаточно точно отражает форму тентовой оболочки. Связано это с тем, что пропорции сторон ячеек сети на плоскости проекции и на поверхности тентовой оболочки не совпадают, поэтому на «сложном» опорном контуре, крутых участках поверхности (к плоскости проекции) точность построения снижается. То же происходит при переходе к цилиндрической или сферической системам координат (рис. 1), к которым прибегают, если проекция контура и внутренних участков поверхности на плоскость невозможна без взаимного наложения и пересечения (рис. 2). Кроме того, исходный метод не позволяет варьировать форму поверхности без изменения геометрии контура. Поэтому нами проведены исследования, целью которых было определение основных параметров формообразования ТО и их учет при расчете поверхности.

Как уже сказано, поверхность тентовой оболочки должна обладать отрицательной гауссовой кривизной (она обеспечивает устойчивость формы в процессе эксплуатации), для чего требуется закрепление мягкой оболочки минимум в четырех точках, не лежащих в одной плоскости. Если все точки крепления мягкой оболочки расположены на внешнем контуре — образуется «седловидная» форма поверхности. Ее аналогом может служить поверхность гиперболического параболоида (рис. 2, 3). «Воронкообразная» форма образуется при закреплении внутренних точек, выведенных из плоскости поверхности. Аналоги этой формы — к примеру поверхности вращения параболы, гиперболы или цепной линии — позволяют рассматривать «воронкообразную» форму и как частный случай замкнутой «седловидной» (рис. 3). Разнообразие форм достигается изменением геометрии опорного контура и характера предварительного напряжения. При этом мягкая оболочка может закрепляться по всей длине контура или в отдельных узлах: в первом случае мы имеем жесткий контур, геометрия которого совпадает с опорным контуром, во втором — гибкий контур. Форма гибкого контура зависит от раскроя поверхности (рис. 4) и характеризуется стрелой подъема или отношением его длины к расстоянию между узлами крепления. Использование гибкого контура, варьирование его длины позволяет получить эффектные, выразительные формы поверхности.

При перекрытии больших пролетов тентовые оболочки, как правило, подкрепляются (стабилизируются) тросами. На внутренних участках это может привести к нарушению гладкой формы поверхности и образованию на ней граней. Частным случаем их проявления можно считать «складчатые» поверхности. Линии граней и форма складок позволяют ярче выразить динамику поверхности. Складки представляют собой смежные участки гиперболической формы с общим гибким контуром — на этом основании их можно отнести и к разновидности составных конструкций. Независимо от того, каким образом сформирована поверхность, желательно, чтобы ее форма была приближена к минимальной. Средняя кривизна такой поверхности, в любой точке равная нулю, позволяет обеспечить экономию материала и оптимальные прочностные характеристики. Аналогом минимальной поверхности может служить мыльная пленка, «натянутая» на рассматриваемый контур. На практике при решении функциональных, конструктивных и архитектурных задач от этой формы нередко приходится отклоняться, но даже и в этом случае минимальная поверхность необходима в качестве исходной формы, относительно которой устанавливаются параметры изменения геометрии тентовой оболочки.

Анализ форм, условий формообразования тентовых оболочек позволил определить основные направления развития исходного метода. Это построение поверхности, приближенной к минимальной, и моделирование различных условий на контуре, включающие изменение кривизны поверхностей, моделирование гибкого контура и стабилизирующих вант. В процессе анализа исходного метода был решен ряд частных задач, связанных с определением оптимальной ориентации плоскости проекции и плотности сети относительно опорного контура, а также рассмотрен порядок перебора узлов. Это позволило на 50−80% по сравнению со стандартными решениями ускорить расчет формы. Для повышения точности расчета поверхности в условиях искажения пропорций ячеек сети и для моделирования различных условий на контуре в основную формулу были введены коэффициент M и параметры K и V.

Коэффициент M учитывает искажение геометрии ячеек сети. При построении поверхности геометрия сети изменяется, поэтому необходимо постоянное обновление значения коэффициента. Его использование позволило уменьшить плотность сети, разместить «контурные» узлы по линии крепления мягкой оболочки и моделировать гибкий контур (рис. 5). Что же касается искажений геометрии ячеек сети, то в ходе расчета они равномерно распределяются по всей поверхности. Чтобы обеспечить эти условия, требуется определять все три координаты узлов сети — X, Y и Z. Использование коэффициента M позволяет обеспечить приемлемую точность построения и сократить время расчета, за которое достигается необходимый уровень приближения к искомой форме поверхности.

Для построения поверхности, отличной от минимальной, используется параметр Kзнак «является подмножеством» ]0; знак «бесконечность» [ – он отвечает за изменение кривизны поверхности и отражает отношение нормальных усилий или радиусов главных кривизн в каждой ее точке (ρгл1K = –ρгл2). Значение параметра постоянно, но при расчете его присвоение узлам требуется контролировать. Это связано с изменением ориентации линий главных кривизны на разных участках поверхности или в одной и той же точке по ходу формообразования тентовой оболочки. Закрепление параметра за одним из направлений относительно рядов сети позволяет моделировать натяжение мягкой оболочки в том же направлении (рис. 6, 7).

Для моделирования внутренних стабилизирующих вант используется параметр Viзнак «является подмножеством» ]1; знак «бесконечность» [. Так же, как и параметр K, он отражает отношение радиусов кривизны поверхности, но изменяет кривизну поверхности только по линии прохождения троса. Значение параметра постоянно, присваивается индивидуально для каждого гибкого контура или стабилизирующей ванты. Изменение значений параметра позволяет регулировать форму, кривизну, длину ванты, проходящей через рассматриваемый узел (рис. 6, 7). Так, при Viзнак «стрелка вправо» знак «бесконечность» длина троса приближается к расстоянию между узлами крепления. Поскольку форма и длина кривой зависят от исходной геометрии поверхности, плотности и ориентации сети, аппроксимирующей поверхность, для получения необходимой геометрии поверхности приходится подбирать значения параметра. Поэтому для построения поверхности с фиксированной длиной внутренней стабилизирующей ванты или гибкого контура разработан алгоритм: он позволяет контролировать длину и подгонять значение параметра по ходу построения поверхности. Предварительно определяется максимальная длина ванты — это делается на основе анализа геометрии исходной формы поверхности, полученной при Vi= 1. Увеличение длины сверх установленной возможно только для гибкого контура за счет раскроя поверхности, то есть изменения исходной геометрии сети.

Определяя значения параметров, следует учитывать, что на этапе эскизного проектирования они служат только для управления геометрией оболочки. При построении поверхности, приближенной к минимальной, значения параметров K и V принимают равными единице. В этом случае требуется вычисление только коэффициента M. Дополнительные расчеты компенсируются повышением точности построения и, как следствие, более быстрым определением искомой формы поверхности. Значения параметров подбирают исходя из геометрии минимальной поверхности. Визуальный контроль ввода исходных данных и изменения геометрии тентовой оболочки обеспечивают интерактивный режим проектирования. Это достигается использованием AutoCAD. В качестве графической оболочки мы использовали программу AutoCAD 13−2000. С помощью встроенного языка программирования (LISP) был получен доступ к командам и графической базе данных элементов. Разработанные в ходе исследований программы вычисления и анализа поверхности тентовой оболочки были объединены в приложение к AutoCAD, включившее в себя подготовку исходных данных, сортировку узлов сети, ввод формообразующих параметров, расчет поверхности, анализ геометрии и другие модули.

В связи с тем, что LISP — это язык-интерпретатор, достаточно медленно (в том числе и после компиляции в «Visual LISP») обрабатывающий данные, основные вычисления были переведены во внешний ARX-модуль. Интерактивный режим управления геометрией ТО в среде AutoCAD осуществляется за счет графических методов ввода данных (определения исходной сети, опорного контура, вант предварительного напряжения). Программа обладает повышенной устойчивостью и независимостью модулей подготовки исходных данных, расчета и анализа формы поверхности: все изменения, установки и параметры сохраняются в базе данных графического примитива «СЕТЬ», которая используется для моделирования поверхности тентовой оболочки. Кроме того, устанавливается режим автоматического сохранения по ходу вычисления формы. Палитру вариантов можно получить копированием сети и редактированием ее базы данных (рис. 7). Обновление координат (узла, ряда, сети) в графической базе данных сети помогает отслеживать на экране процесс формообразования поверхности. До завершения расчета поверхности можно вносить изменения в условия формообразования. Большой набор программ и приложений к AutoCAD позволяет объединить в одном рисунке различные виды проектных работ — от расчета конструкций до раскроя поверхности. Средства AutoCAD обеспечивают не только ввод, редактирование, контроль и анализ графической информации, но и ее вывод в виде чертежей и разрезов, аксонометрических и перспективных видовых кадров, включая фотореалистические изображения.

Создание инструмента интерактивного моделирования исходной геометрии тентовой оболочки производилось на базе лицензионных программных продуктов авторизированного учебного центра Autodesk «Радиус» при ЦНИТАС и кафедры САПР КГАСА. В порядке экспериментальной проверки метода (а также с целью внедрения технологии) для персональной творческой мастерской архитектора В.А. Сладкова были разработаны эскизные проекты, рассчитаны формы и получен раскрой ряда покрытий ТО над трибунами, сценами, выставочными и торговыми комплексами в Казани, Набережных Челнах, Нижнекамске. Среди реализованных объектов — знаковое сооружение Майдана в Нижнекамске (рис. 5, 8). В ходе работ над объектом были испробованы различные методы построения исходной поверхности ТО и выполнен эскизный проект сооружения (рис. 8). Построенные объекты с ТО успешно эксплуатируются в зимних условиях Татарстана.

Экспериментальный процесс

Гибка контуров

Изогнутый Walkman

Гибка контуров

Игрушечная гитара Kawasaki 1989 года, использованная в проекте гибки контуров.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *