Информационная система идентификации изображений

В связи  с тем, что данные одна из главных  ценностей предприятия, администратор данных должен разбираться в данных и понимать нужды предприятия по отношению к данным на уровне управления высшего руководства предприятия. В его обязанности входят: принимать решения, какие данные необходимо вносить в БД, обеспечивать поддержание порядка при использовании их после занесения в базу данных.

Техническим специалистом, ответственным за реализацию решений администратора данных, является администратор БД. Его работа заключается в создании самой БД и техническом контроле, необходимом для осуществления решений администратора данных.

Между БД (т. е. данными) и пользователями располагается  уровень программного обеспечения  — система управления базой данных. Все запросы пользователей на доступ к БД обрабатываются СУБД.

СУБД — важный, но не единственный компонент программного обеспечения ИС. Среди других — упомянутые выше бизнес-приложения, утилиты, CASE-средства, генераторы отчетов и форм и т.д.

Технические средства информационных систем могут  включать:

• средства вычислительной техники (серверное оборудование, рабочие станции, принтеры и т.д.),
• локальные вычислительные сети,
• копировально-множительную аппаратуру,
• средства связи (учрежденческие АТС, каналы связи и канальное оборудование, телефоны, факсимильные аппараты, мобильные средства связи).

Любая информационная система (с точки зрения создания) в языках программирования состоят из трёх компонентов:

1. Файл данных—файл, находящийся на локальном компьютере или на сервере, который содержит внутри себя структуру данных. К структуре данных относятся таблицы, запросы и фильтры, а также хранимые процедуры, пользовательские функции, диаграммы и триггеры;
2. Объект связи—объект языка программирования, осуществляющий связь между файлом данных и интерфейсом информационной системы;
3. Интерфейс информационной системы—комплекс средств, осуществляющий взаимодействие системы с конечными пользователями. Он может находиться как на клиентском компьютере, так и на сервере.

     Информационная система подразделяется на две подсистемы: функциональную и обеспечивающую.

Функциональная подсистема состоит из совокупности решаемых задач, сгруппированных по признаку общности цели. Обеспечивающая подсистема, в свою очередь, включает в себя следующие элементы:

• техническое обеспечение, т.е. совокупность технических средств, обеспечивающих обработку и передачу информационных потоков;
• информационное обеспечение, которое включает в себя справочники, классификаторы, кодификаторы, средства формализованного описания данных;
• математическое обеспечение, т.е. совокупность методов решения функциональных задач. Логистические информационные системы представляют собой автоматизированные системы управления логистическими процессами. Поэтому математическое обеспечение в логистических информационных системах – это комплекс программ и совокупность средств программирования, обеспечивающих решение задач управления материальным потоком, обработку текстов, получение справочных данных и функционирование технических средств.[6]

2.  ИНФОРМАЦИОННАЯ СИСТЕМА ИДЕНТИФИКАЦИИ

ИЗОБРАЖЕНИЙ

Идентификация в информационных системах — присвоение субъектам и объектам идентификатора и / или сравнение идентификатора с перечнем присвоенных идентификаторов

Разработка компьютерных систем обнаружения и распознавания  объектов на изображениях является довольно актуальной проблемой. Актуальность проявляется  вследствие необходимости повышения  качества и уменьшения рутинной работы человека, а также с возможностью усовершенствования алгоритмов обработки  изображений в связи с развитием  компьютерной техники. Формирование признаков  – это первый этап в любой системе  распознавания образов. Качество всей системы оказывается жестко зависимо от того, насколько хорошо подобраны  признаки для описания изображения.

Основной проблемой, возникающей  при решении задач сравнения  и идентификации, является потребность  в выполнении большого количества переборов  вариантов, что требует громадных  вычислительных расчетов. Переборы необходимы для обеспечения инвариантности изображения искомого объекта к  сдвигу, вращению и масштабированию.

Сообразно с этим для повышения  быстродействия часто используется неполная информация об исходном изображении (выполняется только частичный анализ исходного изображения) и искомом  на нем объекте (искомый объект идентифицируется только по некоторым характеристикам) или обеспечивается инвариантность только в небольшом диапазоне  значений параметров.

Все это резко снижает  круг применения таких алгоритмов (алгоритмы  правильно работают только на изображениях простых объектов) и приводит к уменьшению вероятности верного обнаружения или распознавания. В связи с этим требуется разработка новых, более быстродействующих, качественных и универсальных алгоритмов.

1. Основные сведения

Многие задачи распознавания  необходимо решать в строго ограниченное время, поэтому алгоритмы распознавания  должны быть оптимизированы по временной  сложности, возможность данной оптимизации  может достигаться на основе распараллеливания. Компьютерная реализация таких алгоритмов требует обеспечения высокого быстродействия и практической устойчивости к искажениям. Ограниченность объемов машинной памяти, выделяемой под пространство эталонов, а также требование быстродействия выводят на первый план распараллеливаемые алгоритмы распознавания, инвариантные к сдвигу, масштабированию и ротации распознаваемых изображений.

Преобразование масштабирования  трактуется как равномерное растяжение или сжатие изображения вдоль  осей координат, исключающее отражение.

Существующие устройства ввода, такие как сканеры, фото и  видеокамеры, а также устройства вывода, такие как мониторы и принтеры, обусловливают форму представления  визуальной информации в виде изображений; в памяти компьютера обычно используется представление изображения в  виде матрицы пикселей f(m1,m2), О < т1 < Мх -1, 0 < т2 < М2 -1 (растровое изображение). В зависимости от вида элементов матрицы различают следующие разновидности изображений:

• полноцветные,
• палитровые,
• полутоновые,
• бинарные.

Элементы полноцветных изображений  непосредственно хранят всю информацию о цветовых составляющих, использование  таких изображений требует больших вычислительных затрат. В палитровых изображениях значение пикселей является ссылкой на ячейку карты цветов (палитру) — двумерный массив, в столбцах которого расположены интенсивности цветовых составляющих каждого цвета. Полутоновое изображение состоит из элементов, которые могут принимать одно из значений интенсивности какого-либо базового цвета. Это один из наиболее распространенных типов изображений, который применяется при исследованиях различного рода (широко используется глубина цвета 8 бит на пиксель). Диапазон значений элементов бинарного (монохромного) изображения ограничен только двумя значениями: О (фоновые точки) или 1 (точки интереса). Природа происхождения таких изображений разнообразна, часто бинарные изображения получаются в результате порогового разделения полутоновых изображений с фиксированным или адаптивным порогом. Количество информации при этом значительно сокращается, поэтому бинарные изображения просты в обработке, хранении и пересылке.

Методы распознавания, в  зависимости от предметной области, могут получать на вход полноцветные или палитровые изображения. Однако полутоновые и бинарные изображения используются при распознавании наиболее часто. Если имеют значение пространственные характеристики изображенных объектов, то выбираются полутоновые изображения (например, при распознавании лица человека); переход к бинарным изображениям оправдан в тех предметных областях, где анализируемые объекты являются существенно плоскими (в частности, при распознавании печатных и рукописных символов).

3 ОБЗОР ПРОГРАММНО-ТЕХНИЧЕСКИХ  РЕШЕНИЙ

Распознавание образов и  их идентификация – сложная задача, как с научной точки зрения, так и в приборном исполнении. Для большинства таких практических приложений как идентификация паспортов и денежных знаков, распознавание номерных знаков, анализ технического состояния работающей сложной механической системы и др. – возникает необходимость принимать правильное решение.

В большинстве случаев  принимается решение путем обработки  большого количества признаков распознавания в реальном масштабе времени. Это потребовало применить цифровые методы обработки изображений с использованием ЭВМ. Теория и методы распознавания образов базируются на применении искусственного интеллекта. Особое место в этом направлении занимают искусственные нейронные сети, создаваемые на изображениях. В качестве основных числовых характеристик исследуемых изображений в работах предложено использовать следующие характеристики одномерного случайного процесса в нейронной сети: математическое ожидание, среднеквадратическое отклонение (дисперсия), коэффициенты асимметрии и эксцесса, энтропию, значение минимального и максимального элементов анализируемого поля и размах (диапазон уровней).

Рисунок 1. Общая схема  получения изображения и блок-схема  сигнала

Для получения изображения  используется панорамный сканер или  цифровая фотокамера. Схема получения изображения и структура цифровой обработки сигналов приведена на рис. 1. На предметный столик 1 помещается исследуемое изображение. Освещение осуществляется набором светодиодов 3 или площадным источником 4. Блок 2 служит для управления цветом и интенсивностью облучения. Цветная фотокамера или цветной панорамный сканер формируют исследуемое изображение, которое вводится в системный блок ЭВМ 6. Блок 7 содержит программу, которая осуществляет считывание информации по определенным траекториям искусственной нейронной сети. В блоке 8 производится измерение цвета и в виде кодового сигнала поступает на вход спектроанализатора 9. Если производится измерение контраста, получаемого в проходящем или в отраженном свете, то на вход спектроанализатора поступает сигнал непосредственно с системного блока. Значение относительного контраста через 0,05 с вводилось в блок 10. Полагая сигнал случайным, в блоке 10 вычислялись коэффициенты корреляции, по значениям которых в блоке 11 принимается решение относительно заданного порога. Полученная информация запоминается в блоке 15 и используется в дальнейшем при принятии окончательного решения. На выходе спектроанализатора 9 выводится спектр амплитудных модуляций, который в блоке 12 используется для формирования Фурье-портрета сигналов со всех четырех траекторий эталона и исследуемого изображения. В блоке 13 проводится корреляционный анализ полученного спектра амплитудных модуляций. Блок 14 служит для вычисления авто- и взаимнокорреляционных функций и производит их предварительный анализ. Окончательное решение путем сравнения с эталоном принимается в блоке 15 и выдается на информационное табло или на управление в случае анализа работы сложной механической системы. [9]

В настоящее время биометрические (использующие физические и поведенческие  характеристики человека) технологии идентификации личности и системы  на их основе получили широкое распространение  в различных областях: от допуска в помещения до электронной коммерции и государственных систем различного назначения.

Обыкновенные методы определения  личности, например такие как, карты-идентификаторы, ключи или уникальные личные данные, не обеспечивают надежность, которая  необходима в нынешнее время. И поэтому  логично применить биометрические технологии в системах безопасности.

Технологии  для идентификации личности по биометрическим особенностям начали разрабатывать еще в 60-х годах. Теоретических успехов в разработке этих технологий добились наши соотечественники, а вот практические плоды получили на западе и относительно недавно. Благодаря современной мощности компьютеров и улучшенным алгоритмам, производители выпускают продукцию с высокими технологическими показателями, которая доступна и интересна широкому кругу потребителей.

Сама по себе идея применения индивидуальных данных человека для  идентификации далеко не нова. В  современной практике известны некоторые  технологии, которые возможно применить  в идентификации человека, например по:

• оттиску пальцев или руки;
• индивидуальным чертам лица (в основе лежит инфракрасное или оптическое изображение);
• радужке глаз;
• голосовым данным;
• прочим характеристикам.

Абсолютно все современные  биометрические технологии имеют одинаковые подходы к решению вопросов определения  личности и каждый из этих методов  по-своему удобен в использовании. Принцип  действия биометрических технологий заключается  в следующем:

• считывание антропометрических данных (сканирование);
• изъятие персональных данных;
• создание определенного шаблона;
• сопоставление шаблона с базой данных.

Подобные биометрические системы позволяют установить соответствие определенных антропометрических или  иных характеристик человека по сформированному шаблону.