Сопровождение и распознавание объектов на телевизионных изображениях
Миллиарды камер охранного телевидениянеотъемлемая часть современного цивилизованного мира. Изображения сменяют друг друга на мониторах, многочисленные операторы обеспечивают безопасность в аэропортах, на вокзалах и в других общественных местах. Видеонаблюдение сегодня считается едва ли не самым главным техническим инструментом обеспечения безопасности. Важнейшую роль в современных системах… Читать ещё >
Содержание
- 1. АЛГОРИТМИЧЕСКАЯ ОСНОВА СОВРЕМЕННЫХ СИСТЕМ АНАЛИЗА ВИДЕОДАННЫХ
- 1. 1. Вводные замечания
- 1. 2. Схема построения системы анализа аудитории
- 1. 3. Детектирование лиц
- 1. 4. Сопровождение лиц
- 1. 5. Распознавание людей
- 1. 6. Классификация пола
- 1. 7. Краткие
- выводы
- 2. АНАЛИЗ И МОДИФИКАЦИЯ АЛГОРИТМОВ СОПРОВОЖДЕНИЯ ЛИЦ
- 2. 1. Вводные замечания
- 2. 2. Метод цветовых гистограмм
- 2. 2. 1. Построение гистограммы
- 2. 2. 2. Построение изображения правдоподобия
- 2. 2. 3. Итеративная смена центра окна поиска и размеров окна поиска
- 2. 2. 4. Фильтрация изображения правдоподобия
- 2. 3. Алгоритм на основе метода Лукаса-Канаде
- 2. 3. 1. Точечные особенности
- 2. 3. 2. Алгоритм Лукаса-Канаде
- 2. 4. Модификация алгоритмов сопровождения лиц
- 2. 4. 1. Постановка задач
- 2. 4. 2. Описание модификаций
- 2. 4. 3. Метрики оценки качества сопровождения
- 2. 4. 4. Тестовые видеопоследовательности
- 2. 5. Результаты анализа работы алгоритмов сопровождения
- 2. 6. Краткие
- выводы
- 3. РАЗРАБОТКА И АНАЛИЗ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ЛЮДЕЙ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯХ
- 3. 1. Вводные замечания
- 3. 2. Алгоритмы распознавания людей на основе информации о лице
- 3. 2. 1. Алгоритм на основе метода главных компонент
- 3. 2. 2. Алгоритм на основе линейного дискриминантного анализа
- 3. 2. 3. Метод сравнения гистограмм локальных бинарных паттернов
- 3. 3. Алгоритмы распознавания людей на основе информации о туловище
- 3. 4. Результаты анализа алгоритмов распознавания людей
- 3. 4. 1. Постановка задачи
- 3. 4. 2. Тестовые изображения
- 3. 4. 3. Оптимизация параметров алгоритмов распознавания
- 3. 4. 4. Распознавание людей в условиях наличия аддитивного белого гауссовского шума на изображениях
- 3. 4. 5. Распознавание людей на изображениях, восстановленных с помощью фильтра А-ДКП
- 3. 5. Краткие
- выводы
- 4. РЕАЛИЗАЦИЯ АЛГОРИТМОВ СОПРОВОЖДЕНИЯ И РАСПОЗНАВАНИЯ ЛИЦ В ПРОГРАММНО-АППАРАТНОМ КОМПЛЕКСЕ RECOGNITION. LAB
- 4. 1. Вводные замечания
- 4. 2. Интерфейс программы
- 4. 2. 1. Основное окно
- 4. 2. 2. Панель статистики
- 4. 2. 3. Настройка параметров
- 4. 3. Особенности представления алгоритмов в Recognition. Lab
- 4. 3. 1. Кадр
- 4. 3. 2. Обработка кадров
- 4. 4. Визуализатор статистики
- 4. 5. Анализ результатов работы программы Recognition. Lab
- 4. 5. 1. Тестовые видеопоследовательности
- 4. 5. 2. Анализ результатов
- 4. 6. Сравнение результатов Recognition. Lab с результатами
- I. ntel Aim Suite
- 4. 6. 1. Введение метрики
- 4. 6. 2. Анализ результатов
- 4. 7. Краткие
- выводы
Сопровождение и распознавание объектов на телевизионных изображениях (реферат, курсовая, диплом, контрольная)
Актуальность темы
Миллиарды камер охранного телевидениянеотъемлемая часть современного цивилизованного мира [1−10, 94−97]. Изображения сменяют друг друга на мониторах, многочисленные операторы обеспечивают безопасность в аэропортах, на вокзалах и в других общественных местах. Видеонаблюдение сегодня считается едва ли не самым главным техническим инструментом обеспечения безопасности. Важнейшую роль в современных системах охранного телевидения играют алгоритмы цифровой обработки изображений [7, 8, 10, 20, 95, 97] и компьютерного зрения [14, 15], позволяющие контролировать тысячи видеоканалов в режиме реального времени.
Для построения современных систем охранного телевидения характерны следующие основные проблемы и задачи [95]: обнаружение объекта интереса на сложном изменяющемся фонеизмерение пространственных параметров и оценка динамических параметров объектов по наборам последовательных кадровсопровождение объектовклассификация и распознавание динамических объектов.
Среди объектов для распознавания и классификации наиболее развитой и актуальной задачей является детектирование и классификация человеческих лиц [26, 51−55, 59, 62, 65−68]. В настоящее время эта задача находит применение в различных сферах человеческой деятельности (в первую очередь, в системах безопасности). Сферами применения распознавания лиц являются, например, системы охранного телевидения, сравнение фотографий на паспортах или водительских удостоверениях, контроль доступа к безопасным компьютерным сетям и оборудованию в учреждениях, наблюдение за аэропортами и вокзалами для предотвращения террористических актов и др. В большинстве практических ситуаций анализ входного изображения должен осуществляться в режиме реального времени.
Современные алгоритмы позволяют детектировать лицо человека на реальных видеоизображениях со сложным фоном с вероятностью, превышающей 90%. Среди них самым известным является алгоритм на основе бустинга [74], предложенный P. Viola и М. Jones в 2001 г.
Целью задачи сопровождения (трекинга) является установление соответствия между различными объектами или частями в последовательности кадров и нахождение траекторий объектов, а также вычисление их динамических характеристик, таких как скорость и направление движения [30]. Сопровождение объектов в большинстве практических приложений требуется осуществлять в режиме реального времени [31].
Одним из важнейших направлений компьютерного зрения является задача автоматизированного распознавания объектов [26, 32, 52, 53, 55, 56, 59, 62−65, 69]. Успешное решение этой задачи необходимо для разработки и производства систем, способных интеллектуально оценивать внешнюю среду и выполнять в ней те или иные действия. Однако в реальных системах охранного телевидения задачу распознавания объектов приходится решать в условиях наличия искажений, связанных с помехами в радиотехнических устройствах и сжатием двумерного сигнала, поэтому для эффективного решения поставленной задачи требуется применение специализированных алгоритмов цифровой обработки изображений. Среди них можно выделить нелинейные алгоритмы фильтрации и восстановления изображений, вейвлет-обработку, системы, построенные на нечеткой логике, генетических алгоритмах, нейронных сетях.
В область разработки алгоритмов цифровой обработки телевизионных изображений внесли вклад как отечественные ученые — Ю. Б. Зубарев [1−3, 10], М. И. Кривошеев, В. П. Дворкович [1−3, 10, 97], A.B. Дворкович [3, 97], М. К. Чобану [9], A.C. Крылов, Ю. С. Бехтин, Ю. С. Радченко, A.JI. Приоров, так и зарубежные — R. Gonzalez [20], R. Woods [20], A. Bovik, Y. Neuvo, J. Astola, К. Egiazaryan, M. Nikolova.
Первые работы по распознаванию динамических объектов были опубликованы еще в конце 1980;х гг. Следует отметить особый вклад советских и российских ученых, занимающихся в данной области, таких как Ю. И. Журавлев [13, 22], Ю. В. Гуляев, В. А. Сойфер [21], А. И. Галушкин, В. Н. Вапник [12], Н. Г. Загоруйко [23], A.A. Потапов [15]. В области анализа-синтеза алгоритмов сопровождения объектов и оценки их движения на видеоизображениях выделяются работы Б. А. Алпатова, П. В. Бабаяна, М. Н. Фаворской, Ю. В. Визильтера, Е. В. Медведевой, В. Lucas [33], Т. Kanade [33].
На сегодняшний день достигнуты значительные успехи при построении систем видеоаналитики, систем аутентификации личности по изображениям. Однако существуют нерешенные проблемы при распознавании динамических образов из-за сложности и многообразия поведения объектов реального мира [95]. Существует класс задач, где особую важность приобретает информация о структуре и движении объектов сцены (видеонаблюдение в закрытых помещениях, в местах большого скопления людей, управление движением робототехнических комплексов, наблюдение за движением транспортных средств и т. д.).
Так, например, для задач сопровождения объектов на современном этапе развития представляет интерес обработка следующих практических ситуаций [95]: изменение изображения или освещенности сценыналичие шума камерыприсутствие объектов, изменяющих свою формувременное исчезновение объектов интереса, возникающее из-за перекрытия их другими объектаминаличие нескольких одновременно движущихся объектов с близкими характерными признаками и пересекающимися траекториями.
Для задач распознавания объектов актуальным остается поиск алгоритмов, работающих в режиме реального времени и позволяющих 6 идентифицировать объект в условиях наличия помех на телевизионных изображениях. Поэтому на современном этапе развития науки и техники разработка и анализ алгоритмов сопровождения и распознавания объектов на телевизионных изображениях представляют собой актуальную задачу.
Основной целью работы является разработка, усовершенствование и исследование новых алгоритмов сопровождения и распознавания объектов на видеоизображениях в условиях наличия искажений и помех, обусловленных практическими требованиями для функционирования систем охранного телевидения.
Объектом исследования являются алгоритмы сопровождения и распознавания объектов, применяемые в радиотехнических системах обработки и анализа изображений и современных системах телевидения.
Предметом исследования являются модификация и разработка алгоритмов, с целью повышения эффективности функционирования видеоинформационных систем охранного телевидения.
Задачи диссертационной работы:
— разработка алгоритмов сопровождения объектов на телевизионных изображениях в условиях наличия специфических искажений и помехразработка методики объективного сравнения различных алгоритмов сопровождения объектов по видеоданным;
— разработка комбинированного алгоритма обработки изображения, зашумленного белым гауссовским шумом, сочетающего нелинейную фильтрацию на основе адаптивного дискретного косинусного преобразования и алгоритм распознавания лицусовершенствование работы алгоритма распознавания объектов на основе локальных бинарных паттернов с использованием дополнительной информации о цвете объекта.
Методы исследования. При решении поставленных задач использовались современные методы цифровой обработки изображений, компьютерного зрения, распознавания образов, математического анализа, 7 теории вероятностей и математической статистики. Для практической реализации алгоритмов применялись современные численные методы и методы объектно-ориентированного программирования на языке С#. Научная новизна полученных результатов В рамках данной работы получены следующие новые научные результаты:
— разработаны новые алгоритмы сопровождения объектов на видеоданных, показывающие свою эффективность в условиях наличия искажений и помех;
— разработан комбинированный алгоритм обработки телевизионного изображения, зашумленного аддитивным белым гауссовским шумом, на основе нового алгоритма нелинейной фильтрации и алгоритма распознавания лиц;
— разработана модификация алгоритма распознавания объектов на телевизионных изображениях на основе локальных бинарных паттернов с использованием дополнительной информации о цвете.
Практическая значимость полученных результатов.
1. Разработана методика объективного сравнения различных алгоритмов сопровождения объектов по видеоданным.
2. Проведен анализ работы алгоритмов сопровождения объектов на видеоданных при наличии искажающих факторов и предложены модификации, позволившие повысить уровень сопровождения в среднем на 5−10%.
3. Разработаны модификации алгоритма распознавания лиц путем использования информации о цвете и предварительной нелинейной цифровой фильтрации, позволившие увеличить результат верного распознавания на 10−20% в условиях наличия искажений, связанных с помехами в радиотехнических устройствах и сжатием двумерного сигнала.
4. Разработан критерий качества функционирования систем определения числа объектов на видеоданных для решения ряда практических задач в области современных систем охранного телевидения. Разработанные методы и алгоритмы требуют для их практической реализации относительно небольших вычислительных ресурсов, что позволяет использовать их для обработки телевизионных изображений в системах реального времени.
Результаты работы внедрены в соответствующие разработки ООО «А-ВИЖН», г. Ярославль и ООО «ЛВЛ Инжиниринг», Московская обл. Отдельные результаты диссертационной работы внедрены в учебный процесс ЯрГУ им. П. Г. Демидова в рамках дисциплин «Цифровая обработка изображений» и «Компьютерное зрение», а также в научно-исследовательские работы при выполнении исследований в рамках гранта РФФИ № 10−08−1 186. Получено свидетельство на программный продукт, зарегистрированное в Реестре программ для ЭВМ.
Достоверность полученных научных результатов обусловлена применением адекватного математического аппарата, подтверждается их согласованностью с результатами проведенного компьютерного моделирования и сопоставлением полученных результатов с научными данными, известными из российской и зарубежной литературы.
Апробация работы. Результаты работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах.
— 1st IEEE International Conference on Circuits and Systems for Communications (ICCSC'02), Sankt Petersburg, 2002.
— 4-я, 13−15-я международные конференции «Цифровая обработка сигналов и ее применение», Москва, 2002, 2011;2013.
— 67-я научная сессия, посвященная Дню радио, Москва, 2012.
— 18-я международная научно-техническая конференция «Радиоэлектроника, электротехника и энергетика», Москва, 2012.
— 14-я всероссийская научно-техническая конференция «Нейроинформатика», Москва, 2012.
— 10-я всероссийская научная конференция «Нейрокомпьютеры и их применение», Москва, 2012.
— 2-я всероссийская научная конференция молодых ученых с международным участием, Рыбинск, 2012.
— International MultiConference of Engineers and Computer Scientists (imaging engineering section), Hong Kong, 2013.
Публикации. По теме диссертации опубликовано 22 научные работы, из них 2 статьи в журналах, рекомендованных ВАК, учебное пособие, 17 докладов на научных конференциях, свидетельство о регистрации программы для ЭВМ.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка использованных источников, содержащего 97 наименований. Она изложена на 149 страницах машинописного текста, содержит 62 рисунка и 5 таблиц.
Основные результаты диссертации можно сформулировать в следующем виде.
1. Проведен анализ известных алгоритмов решения задач детектирования, сопровождения, распознавания и классификации объектов, позволяющий оценить эффективность существующих методов.
2. Предложены новые алгоритмы сопровождения объектов на телевизионных изображениях в условиях наличия специфических искажений на основе метода Лукаса-Канаде.
3. Разработана методика объективного сравнения различных алгоритмов сопровождения объектов по видеоданным. Ее использование показывает, что преимущество предложенного алгоритма Лукаса-Канаде-3 над классическим алгоритмом сопровождения (при одинаковой вычислительной сложности) составляет в среднем 5−10%.
4. Показано, что использование предложенного нелинейного фильтра на базе А-ДКП совместно с алгоритмом распознавания лиц на основе ЛБП позволяет получать уровень точного распознавания 85−90% (при числе классов N до 20) в условиях присутствия АБГШ (<Т<40). Это позволяет использовать эффективный алгоритм распознавания лиц в условиях низкого отношения сигнал/шум без потери уровня точного распознавания.
5. При увеличении числа классов (20<1Ч<50) целесообразно использование дополнительной информации о цвете объекта (для людей — распознавание по туловищу). Использование предложенного комбинированного алгоритма позволило увеличить процент верно распознанных объектов по сравнению с алгоритмом ЛБП на 10−20%. При этом уровень точного распознавания при N=50 составляет 79%, что является удовлетворительным для существующих практических приложений.
6. Предложена метрика для количественного выражения ошибки определения объектов, основанная на покадровом сравнении результатов с экспертными данными. Проведено сравнение разработанной программы Recognition. Lab с коммерческим аналогомIntel AIM Suite. Программа Recognition. Lab показала в 2 раза меньшее значение ошибки по сравнению с аналогом.
ЗАКЛЮЧЕНИЕ
.
Список литературы
- Борисов Ю.И., Дворкович В. П., Зубарев Ю. Б. Технические проблемы и перспективы внедрения цифрового телевидения и радиовещания в России. Часть 1 // Broadcasting. Телевидение и радиовещание, 2007. № 1. С. 22−27.
- Борисов Ю.И., Дворкович В. П., Зубарев Ю. Б. Технические проблемы и перспективы внедрения цифрового телевидения и радиовещания в России. Часть 2 // Broadcasting. Телевидение и радиовещание, 2007. № 2. С. 14−18.
- Зубарев Ю.Б., Дворкович В. П., Дворкович A.B. Проблемы и перспективы внедрения информационных мультимедийных систем в России // Электросвязь, 2004. № 10. С. 11−16.
- Ярославский Л.П. Введение в цифровую обработку изображений. — М.: Советское радио, 1979. 312 с.
- Yaroslavsky L. Digital Picture Processing An Introduction // Springer Verlag, 1985. 276 p.
- Yaroslavsky L. Eden M. Fundamentals of Digital Optics // Birkhauser, Boston, 1996. 368 p.
- Даджион Д., Мерсеро P. Цифровая обработка многомерных сигналов // М.: Мир, 1988. 488 с.
- Прэтт У. Цифровая обработка изображений // М.: Мир, 1982. 311 + 479 с.
- Чобану М.К. Многомерные многоскоростные системы обработки сигналов //М.: Техносфера, 2009. 480 с.
- Цифровая обработка телевизионных и компьютерных изображений / Под ред. Зубарева Ю. Б. и Дворковича В. П. // М.: 1997. 252 с.
- Фурман Я. А. Юрьев А.Н. Яншин В. В. Цифровые методы обработки и распознавания бинарных изображений // Красноярск: Изд-во Краснояр. ун-та, 1992. 248 с.
- Вапник В.Н., Червоненкис А. Я. Теория распознавания образов (статистические проблемы обучения) // М.: Наука, 1974. 416 с.
- Журавлев Ю.И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. // М.: Фазис, 2005. 159 с.
- Форсайт Д.А., Понс Д. Компьютерное зрение. Современный подход // М.: «Вильяме», 2004. 928 с.
- Потапов A.C. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания. // СПб.: Политехника, 2007. 548 с.
- Николенко С. И., Тулупьев A.J1. Самообучающиеся системы // М.: МЦНМО, 2009. 288 с.
- Sammut С., Webb G.I. Encyclopedia of Machine Learning // Springer, 2011.
- Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем // М.: «Вильяме», 2003. 864 с.
- Мерков А.Б. Распознавание образов. Введение в методы статистического обучения // М.: Едиториал УРСС, 2011. 256 с.
- Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера, 2005. 621 с.
- Методы компьютерной обработки изображений // Под ред. В. А. Сойфера М.: Физматлит, 2001. 784 с.
- Журавлев Ю.И. Избранные научные труды // М.: Издательство Магистр, 1998. 420 с.
- Загоруйко Н.Г. Прикладные методы анализа данных и знаний // Новосибирск: Изд-во Института математики, 1999. 270 с.
- Уоссермен Ф. Нейрокомпьютерная техника // М.: Мир, 1992. 118 с.
- Дюк В., Самойленко A. Data Mining: учебный курс // СПб: Питер, 2001. 368 с.
- Stan Z. Li, Anil К. Jain. Handbook of Face Recognition // Springer Science+Business Media, 2005. 408 p.
- Cover Т., Thomas J. Elements of Information Theory // Wiley Interscience, 1991.542 p.
- Quinlan J.R. C4. 5: Programs for Machine Learning // Kluwer Academic, 1993.302 p.
- Mitchell T. Machine Learning // McGraw Hill, 1997. 432 p.
- Yilmaz A., Javed O., Shah M. Object Tracking: A Survey // ACM Comput. Surv, 2006. V. 38 P. 13.
- Bradski G.R. Computer Vision Face Tracking For Use in a Perceptual User Interface // Proc. IEEE Workshop on Applications of Сотр. Vision, Princeton, 1998. P. 214−219.
- Fukunaga K. Introduction to Statistical Pattern Recognition // Academic Press, Boston, 1990. 592 p.
- Lucas B.D., Kanade T. An iterative image registration technique with an application to stereo vision // Proceedings of Imaging Understanding Workshop, 1981. P. 121−130.
- Salari V., Sethi I.K. Feature point correspondence in the presence of occlusion // IEEE Trans. Patt. Analy. Mach. Intell. 12, 1, 1990. P. 87−91.
- Veenman C., Reinders M., Backer E. Resolving motion correspondence for densely moving points // IEEE Trans. Patt. Analy. Mach. Intell. 23, 1, 2001. P. 54−72.
- Broida, T., Chellappa, R. Estimation of object motion parameters from noisy images // IEEE Trans. Patt. Analy. Mach. Intell. 8, 1, 1986. P. 90−99.
- Bar-Shalom Y., Foreman T. Tracking and Data Association // Academic Press Inc., 1988. 353 p.
- Streit R.L., Luginbuhl T.E. Maximum likelihood method for probabilistic multi-hypothesis tracking // In Proceedings of the International Society for Optical Engineering (SPIE.), 1994. V. 2235. P. 394−405.
- Comaniciu D., Ramesh V., Andmeer P. Kernel-based object tracking // IEEE Trans. Patt. Analy. Mach. Intell. 25, 2003. P. 564−575.
- Shi J., Tomasi C. Good features to track // In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1994. P. 593−600.
- Tao H., Sawhney H., Kumar R. Object tracking with bayesian estimation of dynamic layer representations // IEEE Trans. Patt. Analy. Mach. Intell. 24, 1, 2002. P. 75−89.
- Black M., Jepson A. Eigentracking: Robust matching and tracking of articulated objects using a view-based representation // Int. J. Comput. Vision, 26,1, 1998. P. 63−84.
- Avidan S. Support vector tracking // In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2001. P. 184−191.
- Isard M., Blake A. Condensation conditional density propagation for visual tracking // Int. J. Comput. Vision 29,1, 1998. P. 5−28.
- Bertalmio M., Sapiro, G., Randall G. Morphing active contours // IEEE Trans. Patt. Analy. Mach. Intell. 22, 7, 2000. P. 733−737.
- Ronfard R. Region based strategies for active contour models // Int. J. Comput. Vision 13, 2, 1994. P. 229−251.
- Huttenlocher D., Noh J., Rucklidge W. Tracking nonrigid objects in complex scenes // In IEEE International Conference on Computer Vision (ICCV), 1993. P. 93−101.
- Sato K., Aggarwal J. Temporal spatio-velocity transform and its application to tracking and interaction // Comput. Vision Image Understand. 96, 2, 2004. P. 100−128.
- Kang J., Cohen I., Medioni G. Object reacquisition using geometric invariant appearance model // In International Conference on Pattern Recongnition (ICPR), 2004. P. 759−762.
- ISO/IEC 19 794−5 Information Technology Biometric Data Interchange Formats — Part 5: Face Image Data. JTC 1/SC 37, international standard edition, 2005. http:/isotc.iso.org/isotcportal. Accessed March 15, 2011.
- Sirovitch L., Kirby M. Low-Dimensional Procedure for the Characterization of Human Faces // J. Optical Soc. Of Am. A., 1987. V. 2, P. 519−524.
- Turk M., Pentland A. Eigenfaces for Recognition // J. Cognitive Neuroscience, 1991. V. 3. P. 72−86.
- Turk M., Pentland A. Face Recognition Using Eigenfaces // Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 1991. P. 586−591.
- Hallinan P. A Low-Dimensional Representation of Human Faces for Arbitrary Lighting Conditions // Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 1994. P. 995−999.
- Pentland A., Moghaddam B., Starner T. View-Based and Modular Eigenspaces for Face Recognition // Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 1994. P. 84−91.
- Murase H., Nayar S. Visual Learning and Recognitions of 3D Objects from Appearance // Int’l J. Computer Vision, 1995. V. 14 P. 5−24.
- Duda R., Hart P. Pattern Classification and Scene Analysis // New York: Wiley, 1973. 512 p.
- Fisher R.A. The Use of Multiple Measures in Taxonomic Problems // Ann. Fugenics, 1936. V. 7 P. 179−188.
- Chellappa R., Wilson C., Sirohey S. Human and Machine Recognition of Faces: A Survey//Proc. IEEE, 1995. V. 83 P.705−740.
- 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 24,2002. P. 971−987.
- Ojala T., Pietikainen M., Harwood D. A comparative study of texture measures with classification based on feature distributions // Pattern Recognition 29, 1996. P. 51−5.
- Gong S., McKenna S.J., Psarrou A. Dynamic Vision, From Images to Face Recognition // Imperial College Press, London, 2000. 344 p.
- Belhumeur P.N., Hespanha J.P., Kriegman D.J. Recognition Using Class Specific Linear Projection // IEEE Transactions on Pattern Analysis and Machine Intelligence 19, 1997. P. 711−720.
- Phillips P.J., Moon H., Rizvi S.A., Rauss P.J. The FERET evaluation methodology for face recognition algorithms // IEEE Transactions on Pattern Analysis and Machine Intelligence 22, 2000. P. 1090−1104.
- Samaria F.S., Harter A.C. Parameterisation of a stochastic model for human face identification // In: IEEE Workshop on Applications of Computer Vision., 1994. P. 138−142.
- Lanitis A., Taylor C.J., Cootes T.F. A Unified Approach to Coding and Interpreting Face Images // Int’l Conf. Computer Vision, 1995. P. 368−373.
- Craw I., Tock D., Bennet A. Finding Face Features // Proc. European Conf. Computer Vision, 1992. P. 92−96.
- Matsuno K., Lee C.W., Kimura S., Tsuji S. Automatic Recognition of Human Facial Expressions // Int’l Conf. Computer Vision, 1995. P. 352−359.
- Moghaddam В., Pentland A. Probabilistic Visual Learning for Object Detection // Int’l Conf. Computer Vision, 1995. P. 786−793.
- Онлайн-измерение аудитории Digital Signage (http://27faces.com/).
- Троелсен Э. Язык программирования C# 5.0 и платформа .NET 4.5, 6-е издание //М.: «Вильяме», 2013. 1312 с.
- Мак-Дональд М. WPF: Windows Presentation Foundation в .NET 4.0 с примерами на С# 2010 для профессионалов // М.: «Вильяме», 2011. 1020 с.
- Viola P., Jones М. Rapid object detection using a boosted cascade of simple features // Proc. Int. Conf. on Computer Vision and Pattern Recognition. 2001. № 1. p. 511−518.
- Шмаглит Л.А., Хрящев B.B., Ганин A.H., Матвеев Д. В. Распознавание пола человека по выделенной области лица на изображениях// Проектирование и технологии электронных средств, 2011. № 4. Владимир. С. 36−43.
- Ганин А.Н., Гущина О. Н., Хрящев В. В. Анализ применения адаптивного дискретного косинусного преобразования в некоторых задачахцифровой обработки изображений // Успехи современной радиоэлектроники. 2011. № 2. С. 72−80.
- Шмаглит Л.А., Ганин А. Н. Система слежения и тендерной классификации лиц на видеоизображениях // Тез. докл. 18-й междунар. науч.-тех. конф. «Радиоэлектроника, электротехника и энергетика». Москва, 2012. Т. 1. С. 128−129.
- Носков A.A., Кандрин А. Е., Ганин А. Н. Слежение за областью лица на видеопоследовательностях // Докл. 14-й междунар. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2012), Москва, 2012. Т. 2. С. 285−288.
- Шмаглит JI.A., Голубев М. Н., Ганин А. Н., Хрящев В. В. Тендерная классификация по изображению лица // Докл. 14-й междунар. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2012), Москва, 2012. Т. 2. С. 425−428.
- Голубев М.Н., Шмаглит JI.A., Ганин А. Н. Разработка и анализ системы автоматического распознавания пола людей по изображению лица // XIV Всероссийская научно-техническая конференция «Нейроинформатика-2012», Москва, 2012. С. 151−159.
- Голубев М.Н., Ганин А. Н., Шмаглит JI.A. Алгоритм распознавания пола на основе адаптивных признаков и метода опорных векторов // X всероссийская научно-техническая конференция «Нейрокомпьютеры и их применение», Москва, 2012. С. 33.
- Ганин А.Н., Шмаглит Л. А., Храбров Д. Е., Манов H.A. Программно-аппаратный комплекс для детектирования, слежения и тендерной классификации объектов по изображению лиц // Тр. LXVII науч. сессии, посвященной Дню Радио. Москва, 2012. С.163−166.
- Никитин А.Е., Ганин А. Н., Хрящев В. В. Выделение людей на изображениях на основе алгоритма Adaboost // Тез. докл. IX всерос. науч. конф. «Нейрокомпьютеры и их применение». Москва, 2011. С. 33.
- Матвеев Д.В., Аминова Е. А., Ганин А. Н. Алгоритм отслеживания движения точечных объектов // Докл. 13-й междунар. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2011), Москва, 2011. Т.1. С. 275−277.
- Ганин А.Н., Тихонова Т. С., Шмаглит JI.A. Распознавание пола людей по изображению лица // Материалы IX Всероссийской науч.-техн. конф. «Динамика нелинейных дискретных электротехнических и электронных систем» (ДНДС-2011), Чебоксары, 2011. С. 57−58.
- Ганин A.H., Хрящев B.B., Шемяков A.M., Шмаглит JI.A. Тендерная и возрастная классификация по видеоданным // Докл. 15-й междунар.конф. «Цифровая обработка сигналов и ее применение» (DSPA-2013), Москва, 2013. Т. 2. С. 292−294.
- Голубев М.Н. Разработка и анализ алгоритмов детектирования и классификации объектов на основе методов машинного обучения // Диссертация на соискание ученой степени кандидата технических наук, Ярославль, 2012.
- Ко, Т. A Survey on behavior analysis in video surveillance for homeland security application // 37th IEEE Applied Imagery Pattern Recognition Workshop, AIPR. P. 1−8, 2008.
- Лукьяница A.A., Шишкин А. Г. Цифровая обработка видеоизображений // М.: «Ай-Эс-Эс Пресс», 2009. 518 с.
- Конушин A.C. Слежение за точечными особенностями сцены // Компьютерная графика и мультимедиа. Выпуск № 1(5). 2003.
- Дворкович В.П., Дворкович A.B. Цифровые видеоинформационные системы (теория и практика) // Техносфера, 2012. 1008 с.