Учебное пособие 2238
.pdfИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СТРОИТЕЛЬНЫХ, СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ
8, если говорить о 1% - ном уровне значимо- |
направлении. Об этом свидетельствуют гра- |
||
сти. На основании таблиц 1, 2, 3 и 4 очевид- |
фики тестов проводимых в обеих группах. |
||
но, что абсолютно все участники экспери- |
Результаты тестирования показали, что |
||
ментальной группы улучшили свои показа- |
в процессе применяемой экспериментальной |
||
тели по развитию координационных способ- |
методики (ЭМ), уровень развития координа- |
||
ностей (КС), в то время как испытуемые |
ционных способностей (КС) у судей по хок- |
||
контрольной |
группы ненамного |
улучшили |
кею в экспериментальной группе значитель- |
или совсем |
не прогрессировали |
в данном |
но выше, чем в контрольной. |
Таблица 1
Анализ результатов предварительного и итогового тестирования хоккейных судей в экспериментальной группе
Тест |
До эксперимента, X±m |
После эксперимента, X±m |
t |
p |
|
|
|
|
|
Бег 20 м. лицом вперѐд, с. |
48,14±0,4 |
46,89±0,3 |
1,0 |
<0,04 |
|
|
|
|
|
Челночный бег 4х9 м., с. |
11,59±0,6 |
10,37±0,4 |
1,2 |
<0,06 |
|
|
|
|
|
3 кувырка вперѐд, с. |
39,8±0,6 |
37,8 ±0,5 |
0,9 |
<0,06 |
|
|
|
|
|
Таблица 2
Анализ результатов предварительного и итогового тестирования хоккейных судей в контрольной группе
Тест |
До эксперимента, X±m |
После эксперимента, X±m |
t |
p |
|
|
|
|
|
Бег 20 м. лицом вперѐд, с. |
49,64±0,2 |
48±0,2 |
0,3 |
<0,1 |
|
|
|
|
|
Челночный бег 4х9 м., с. |
11,21±0,7 |
11,81±0,6 |
0,7 |
<0,6 |
|
|
|
|
|
3 кувырка вперѐд, с. |
40,1±0,9 |
39,4 ±0,9 |
0,1 |
<0,07 |
|
|
|
|
|
Таблица 3
Изменение КС в экспериментальной группе (n = 12)
№ п/п |
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
11 |
12 |
|
|
Общее функциональное состояние в экспериментальной группе (ЭГ) |
|
|
||||||||||
до |
|
50 |
50 |
55 |
55 |
50 |
50 |
50 |
51 |
43 |
50 |
|
40 |
45 |
после |
|
60 |
65 |
70 |
60 |
70 |
70 |
70 |
65 |
73 |
75 |
|
70 |
65 |
|
Определение достоверности изменений с помощью критерия Вилкоксона |
|
|
|||||||||||
разница |
|
10 |
15 |
15 |
5 |
20 |
10 |
20 |
14 |
30 |
25 |
|
30 |
20 |
модуль |
|
10 |
15 |
15 |
5 |
20 |
10 |
20 |
14 |
30 |
25 |
|
30 |
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ранги |
|
5 |
10 |
10 |
1 |
12 |
5 |
5 |
5 |
5 |
10 |
|
5 |
5 |
сумма ран- |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
гов (-) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
сумма ран- |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
гов(+) |
|
78 |
|
|
|
|
|
|
|
|
|
|
|
|
z = 15 (при p = 0,05), z = 8 (при p = 0,01) 0 < 5, следовательно p < 0,01
По критерию Вилкоксона (Б.А. Ашмарин, 1978)
180
ВЫПУСК № 1 (23), 2021 ISSN 2618-7167
Таблица 4
Изменение КС в контрольной группе (n = 12)
|
№ п/п |
|
|
1 |
|
2 |
|
3 |
|
4 |
|
5 |
6 |
|
7 |
|
8 |
|
9 |
|
10 |
|
11 |
|
12 |
|
|
|
|
|
|
|
Общее функциональное состояние в контрольной группе |
|
|
|
|
|
|
||||||||||||||||
|
до |
|
|
50 |
|
50 |
|
55 |
|
55 |
|
50 |
60 |
|
55 |
|
55 |
|
65 |
|
60 |
|
60 |
|
55 |
|
|
|
после |
|
|
60 |
|
65 |
|
60 |
|
60 |
|
55 |
60 |
|
65 |
|
65 |
|
75 |
|
65 |
|
70 |
|
65 |
|
|
|
|
|
Определение достоверности изменений с помощью критерия Вилкоксона |
|
|
||||||||||||||||||||||
|
разница |
|
10 |
|
5 |
|
5 |
|
5 |
|
5 |
0 |
|
10 |
|
10 |
|
10 |
|
5 |
|
10 |
|
10 |
|
||
|
модуль |
|
10 |
|
5 |
|
5 |
|
5 |
|
5 |
0 |
|
10 |
|
10 |
|
10 |
|
5 |
|
10 |
|
10 |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ранги |
|
|
5 |
|
10 |
|
10 |
|
1 |
|
12 |
5 |
|
5 |
|
5 |
|
5 |
|
10 |
|
5 |
|
5 |
|
|
|
сумма ран- |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
гов (-) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
сумма ран- |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
гов(+) |
|
|
78 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
z = 15 (при p = 0,05), z = 8 (при p = 0,01) 0 < 5, следовательно p < 0,01 |
|
|
|
|
|||||||||||||||||||
|
По критерию Вилкоксона (Б.А. Ашмарин, 1978) |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
Коллективом |
сотрудников |
Комплекс- |
предыдущего упражнения на последующее; |
|||||||||||||||||||||||
ной научной группы (КНГ) было детально |
- |
в специализированных |
упражнениях |
||||||||||||||||||||||||
проанализировано текущее состояние дел, и |
(СУ) для развития координационных спо- |
||||||||||||||||||||||||||
разработана экспериментальная |
|
методика |
собностей (КС) у хоккейных судей |
будет |
|||||||||||||||||||||||
(ЭМ) по развитию координационных спо- |
содержаться элемент новизны. |
|
|
|
|
||||||||||||||||||||||
собностей (КС) у хоккейных арбитров, кото- |
|
Методы |
математической |
статистики |
|||||||||||||||||||||||
рую экспериментально внедрили и опытным |
подтвердили достоверность развития коор- |
||||||||||||||||||||||||||
путѐм проверили в условиях тренировочного |
динационных способностей (КС) у хоккей- |
||||||||||||||||||||||||||
процесса хоккейных судей. |
|
|
|
|
|
ных судей в проведѐнном тестировании и |
|||||||||||||||||||||
|
Результаты |
научного |
эксперимента |
спортивно - игровых мероприятиях. |
|
|
|||||||||||||||||||||
подтвердили правильность гипотезы о том, |
|
Данную экспериментальную методику |
|||||||||||||||||||||||||
что: дальнейшее развитие координационных |
(ЭМ) по развитию координационных спо- |
||||||||||||||||||||||||||
способностей (КС) у арбитров будет эффек- |
собностей (КС) у хоккейных судей рекомен- |
||||||||||||||||||||||||||
тивным если: |
|
|
|
|
|
|
|
|
дуется |
применять |
в работе центров по под- |
||||||||||||||||
- |
на каждом тренировочном занятии |
готовке хоккейных арбитров, а также судей- |
|||||||||||||||||||||||||
развитию |
координационных |
способностей |
ских курсах и школах при местных регио- |
||||||||||||||||||||||||
(КС) будет отводиться 12-15 минут; |
|
|
нальных федерациях хоккея, с целью подго- |
||||||||||||||||||||||||
- |
специализированные |
упражнения |
товки судей для обслуживания соревнований |
||||||||||||||||||||||||
(СУ) для развития координационных спо- |
по хоккею в любительских лигах регионов |
||||||||||||||||||||||||||
собностей (КС) у хоккейных судей будут |
Российской Федерации. |
|
|
|
|
|
|
||||||||||||||||||||
применяться в заключительной части трени- |
|
Библиографический список |
|
|
|||||||||||||||||||||||
ровочного занятия; |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
- |
специализированные |
упражнения |
|
1. Железняк Ю.Д. Спортивные игры: Со- |
|||||||||||||||||||||||
(СУ) для |
развития координационных |
спо- |
вершенствование спортивного мастерства / Ю.Д. |
||||||||||||||||||||||||
Железняк, Ю.М. Портнов, В.П.Савин. – М.: Из- |
|||||||||||||||||||||||||||
собностей (КС) у хоккейных судей будут по- |
|||||||||||||||||||||||||||
дательский центр «Академия», 2004. – 400 с. |
|||||||||||||||||||||||||||
степенно усложняться, и в подборе специа- |
|||||||||||||||||||||||||||
2. |
Кирсанова Л.В., Поляков А.А. Психоло- |
||||||||||||||||||||||||||
лизированных упражнений (СУ) |
будет учи- |
||||||||||||||||||||||||||
гия судейства в хоккее на льду / Кирсанова Л.В., |
|||||||||||||||||||||||||||
тываться |
положительный перенос навыка |
||||||||||||||||||||||||||
Поляков А.А. – М. |
Издательство «Советский |
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
181
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СТРОИТЕЛЬНЫХ, СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ
спорт», 2012 г. – 84 с. |
2014. - № 13,- 107-113 с. |
3. Майоров Б.А. Хоккейные перекрѐстки. |
5. Воробьѐв В.Г. Богатыри земли Курской |
Откровения знаменитого форварда / Б.А. Майо- |
/ В.Г. Воробьѐв. – К.:МУ «Издательский центр |
ров. – М. Издательство «Эксмо», 2016. – 320 с. |
«ЮМЭКС», 2009. – 104 с. |
4. Гречишников А.Л. К вопросу о компе- |
6. Широ Ф. Тренировка юных хоккеистов |
тентностном подходе в деятельности хоккейных |
/ Ф. Широ пер. с англ., под общей ред. Д.И. Ку- |
арбитров. Государство и общество: вчера, сего- |
наева. – М.: ООО «Издательство АСТ», 2003. – |
дня, завтра. Серия: Социология. / Гречишников |
199 с. |
А.Л. – К.: Издательство Академии госслужбы, |
|
Информация об авторах
Поляков Александр Анатольевич - руководитель судейского учебно-методического центра Федерации хоккея России, член Правления Всероссийской коллегии судей (119991, Россия, г. Москва, Лужнецкая наб., д. 8), е-mail: polyakov@nhliga.ru
Трубачѐв Игорь Николаевич – исполнительный директор КРОО «Федерация хоккея Курской области», региональный представитель
ООО «НХЛ» (Ночная хоккейная лига) в Курской области (305004, Курская область, г. Курск, улица Ленина, 56, 58),
е-mail: sportuprav@yandex.ru
Гречишников Алексей Леонидович – доцент кафедры физическо-
го воспитания Курской академии государственной и муниципальной службы, заместитель председателя Региональной коллегии судей по хоккею Курской области (305044, Курская область, г. Курск, Станционная улица, 9), е-mail: kigms-fks@yandex.ru
Information about the authors
Alexander A. Polyakov, Head of the Judicial Training and Methodological Center of the Russian Hockey Federation, Member of the Board of the All-Russian Board of Judges (8 Luzhnetskaya nab., Moscow, 119991, Russia), e-mail: polyakov@nhliga.ru
Igor N. Trubachev, Executive Director of the Kursk Region Hockey Federation, Regional representative of NHL (Night Hockey League) in the Kursk Region (56, 58 Lenin Street, Kursk, 305004, Kursk Region), e-mail: sportuprav@yandex.ru
Alexey L. Grechishnikov, Associate Professor of Physical Education of the Kursk Academy of State and Municipal Service, Deputy Chairman of the Regional Board of Hockey Referees of the Kursk Region (9 Stationskaya Street, Kursk, 305044, Kursk Region),
e-mail: kigms-fks@yandex.ru
УДК 004.93
ОБЗОР МЕТОДОВ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ С.М. Орлова, В.В. Денисенко
Воронежский государственный университет инженерных технологий
Аннотация: Распознавание лиц – это одна из сложнейших задач компьютерного зрения. Существуют различные биометрические характеристики, которые используются для идентификации человека: отпечаток пальца, геометрия руки, радужная оболочка глаза, лицо и речь. Но основная проблема заключается в том, что они требуют участия человека для аутентификации, в то время как распознавание лиц не требует
Ключевые слова: распознавание лиц, 3D-распознавание лиц, метод гибкого сравнения на графах, анализ главных компонент, независимый компонентный анализ, скрытые Марковские модели, анализ основных компонентов ядра, линейный дискриминантный анализ, линейный дискриминантный анализ ядра
OVERVIEW OF BIOMETRIC IDENTIFICATION METHODS
S.M. Orlova, V.V. Denisenko
Voronezh State University of Engineering Technologies
Abstract: Face recognition is one of the most challenging tasks in computer vision. There are various biometric characteristics that are used to identify a person: fingerprint, hand geometry, iris, face, and speech. But the main problem is that they require human input for authentication, while facial recognition does not
Keywords: face recognition, 3d morphable model, elastic bunch graph matching, principal component analysis, independent component analysis, hidden Markov model, kernel principal component analysis, linear discriminant analysis, kernel linear discriminant analysis
Распознавание1 лиц - это действие, которое люди обычно и без усилий выполняют в повседневной жизни. Процесс распознава-
© Орлова С.М., Денисенко В.В., 2021
ния лиц показан на рисунке 1.
Существует несколько методов, которые используются для извлечения черт лица человека.
1. Методы на основе моделей.
182
ВЫПУСК № 1 (23), 2021 |
ISSN 2618-7167 |
Методы распознавания лиц используют стратегии на основе моделей для разработки модели лица человека, которая извлекает черты лица. Эти стратегии сделаны инвариантными к освещению, размеру и выравниванию. Кроме того, у этих методов есть и
другие преимущества, такие как быстрое сопоставление и компактность представления изображений лиц. Но основным недостатком этой модели является сложность распознавания лиц.
|
Рис. 1. Процесс распознавания лица |
|
1.1. 3D - распознавание лиц (3D |
дель подразделяется на три основных под- |
|
morphable model). |
|
пространства: статистические (линейные |
В трехмерных методах распознавания |
(например, PCA, LDA и ICA) и нелинейные |
|
лиц для захвата данных с лица используется |
(например, KPCA)), нейронные (например, |
|
3D датчик. Эта модель подразделяется на два |
DLA, MLP) и гибридные (например, PCA с |
|
основных типа: использование параметриче- |
DLP). |
|
ской модели лица и 3D-реконструкция лица. |
2.1. Анализ главных компонент (Princi- |
|
3D-ориентиры лица проецируются в виде |
pal Component Analysis). |
|
сетки на 2D-изображении путем семантиче- |
Этот метод используется для уменьше- |
|
ского выравнивания пяти лицевых ориенти- |
ния размеров и выделения признаков. Эта |
|
ров соответствующих изображений лица с |
стратегия помогла снизить размерность ис- |
|
общей 3D-моделью лица. 3DMM требует |
ходных данных за счет извлечения основных |
|
значительные затраты ручного труда для |
компонентов многомерных данных. Норма- |
|
сбора изображений по метаданным. |
лизация освещения очень необходима для |
|
1.2. Метод гибкого сравнения на гра- |
собственных векторов (Eigenface). Вместо |
|
фах (Elastic graph matching). |
Eigenface используются собственные значе- |
|
Этот алгоритм идентифицирует чело- |
ния (Eigenfeatures), такие как глаз, нос, рот, |
|
века на новом изображении, сравнивая его / |
щеки и т. д. Для сжатия данных используется |
|
ее новое изображение лица с другими лица- |
вычисление подпространства низко размер- |
|
ми в базе данных. Алгоритм основывается на |
ного представления. |
|
представлении гибких графов, на которых |
Результаты экспериментов показывают, |
|
вершины отмечаются |
крупномасштабными, |
что PCA обеспечил улучшенные результаты |
ребра являются геометрическими векторами |
при использовании классификатора (алго- |
|
расстояния. Процесс этого алгоритма начи- |
ритма решения задачи классификации) ев- |
|
нается с вычисления значения признаков с |
клидова расстояния и квадрата евклидова |
|
помощью Габоровских вейвлет (Gabor Jets) в |
расстояния, а затем при использовании клас- |
|
определенной точке. Затем извлеченные чер- |
сификатора расстояния городских кварталов, |
|
ты сопоставляются |
с соответствующими |
который дает лучшие результаты, чем клас- |
чертами других лиц в базе данных. Важным |
сификатор квадрата расстояния Чебышева. |
|
недостатком является то, что у процедуры |
При использовании классификаторов рас- |
|
распознавания весьма высокая вычислитель- |
стояния Евклида и квадрата расстояния Ев- |
|
ная сложность. |
|
клида скорость распознавания одинакова. |
2. Целостные методы. |
2.2. Независимый компонентный ана- |
|
Эти методы основаны на глобальном |
лиз (Independent Component Analysis). |
|
представлении лиц вместо локального пред- |
Этот алгоритм представляет собой ли- |
|
ставления на всем изображении для иденти- |
нейную комбинацию статистически незави- |
|
фикации лиц. Эта модель учитывает гло- |
симых точек данных. Основная цель этого |
|
бальные особенности определенного набора |
метода отличается от PCA, ICA минимизи- |
|
лиц в процессе распознавания лиц. Эта мо- |
рует ввод зависимостей как второго, так и |
183
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СТРОИТЕЛЬНЫХ, СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ
более высокого порядка. ICA предполагает, |
ции. Перед моделированием отсутствует |
||||
что источники сигнала, составляющие ком- |
необходимость указывать количество основ- |
||||
поненты, статически независимы друг от |
ных компонент. |
|
|||
друга и являются негауссовыми. |
|
KPCA – расширение PCA с использо- |
|||
Метод слепого |
разделения |
сигналов |
ванием методов ядра (алгоритмов для анали- |
||
(BSS) в ICA направлен на восстановление |
за паттернов – нахождение и изучение об- |
||||
источника сигнала по наблюдаемым незави- |
щих типов отношений в наборах данных). |
||||
симым сигналов. Благодаря этому методу |
2.5. Линейный дискриминантный ана- |
||||
существует возможность удаления ненуж- |
лиз (Linear discriminant analysis). |
|
|||
ных элементов (помех), таких как моргание |
Этот алгоритм, также называемый |
||||
или движение глаз. |
|
|
Fisherface, использует контролирующий ме- |
||
По сравнению с PCA, ICA более эф- |
тод обучения с использованием нескольких |
||||
фективен по отношению удаления помех. |
обучающих образов для отдельного класса. |
||||
ICA – альтернатива анализа главных компо- |
Этот метод ищет линейные комбинации при- |
||||
нент, так как обеспечивает более мощное |
знаков при сохранении отделимости класса. |
||||
представление данных. |
|
Кроме того, он пытается смоделировать раз- |
|||
2.3. Скрытые |
Марковские |
модели |
личия между разными классами. LDA вы- |
||
(HMM). |
|
|
числяет подпространство, в котором объекты |
||
В этом подходе распознавание лиц ав- |
в отдельных классах находятся далеко друг |
||||
томатически разделяет лица на разные обла- |
от друга, в то же время как объекты в одном |
||||
сти, такие как глаза, нос и рот. HMM широко |
классе находятся близко друг к другу. |
||||
применяется в задачах по распознаванию |
Метод LDA имеет меньшую частоту |
||||
лиц, так как учитывает пространственные |
появления ошибок, и, следовательно, зани- |
||||
характеристики сигналов и их статические |
мает меньше времени на вычисления. Алго- |
||||
свойства. |
|
|
ритм менее чувствителен к свету, позам и |
||
Скрытые Марковские сети состоят из |
выражениям. |
|
|||
нескольких элементов: наблюдаемой Мар- |
2.6. Линейный дискриминантный ана- |
||||
ковской цепи, дискретного множества скры- |
лиз ядра (Kernel Linear Discriminant Analy- |
||||
тых состояний, непрерывного множества |
sis). |
|
|||
наблюдаемых состояний, начальной вероят- |
Метод KLDA состоит из нелинейных |
||||
ности состояний, матрицы переходных веро- |
форм для любого метода, который использу- |
||||
ятностей и матрицы эмиссий. |
|
ется исключительно для обмена данными. |
|||
Уменьшение размера результата с по- |
Более того, использование функций ядра, |
||||
мощью алгоритма PCA напрямую делает |
удовлетворяющих теореме Мерсера, более |
||||
этот метод очень быстрым. Результаты экс- |
экономично и эффективно. Различные функ- |
||||
периментов показывают, что скорость распо- |
ции ядра выполняются по-разному для раз- |
||||
знавания, полученная с помощью этого ме- |
ных обучающих наборов. Выбор правильной |
||||
тода, составляет около 95% при использова- |
функции ядра для конкретной базы данных |
||||
нии половины изображений для обучающей |
остается нерешенной проблемой. |
|
|||
выборки из базы данных ORL. |
|
Целью данной статьи является обзор |
|||
Недостаток HMM заключается в том, |
разработок в области распознавания лиц. |
||||
что методы, которые основаны на той моде- |
Было представлено несколько категорий ме- |
||||
ли, дают только оценку соответствия модели |
|||||
тодов распознавания лиц, таких как методы |
|||||
изображения. |
|
|
|||
|
|
распознавания лиц на основе внешнего вида, |
|||
2.4. Анализ основных компонентов яд- |
|||||
на основе моделей и сочетание этих двух ти- |
|||||
ра (Kernel principal component analysis). |
|||||
пов, названных гибридными |
подходами, |
||||
Основная идея KPCA состоит в том, |
|||||
процессами распознавания лиц. Проблемы с |
|||||
чтобы сначала отобразить входное простран- |
|||||
ство в пространство признаков с помощью |
выражением лица, окклюзией, изменением |
||||
нелинейного отображения, а затем вычис- |
позы и освещением все еще остаются про- |
||||
лить основные компоненты из пространства |
блемой. Для более детального |
понимания |
|||
признаков. Кроме того, KPCA требует реше- |
рассмотренных подходов приводится список |
||||
ния проблемы собственных значений, кото- |
|||||
литературы. |
|
||||
рая не требует дополнительной |
оптимиза- |
|
|||
|
|
184