Studiu Privind Optimizarea Tehnicilor Biometrice Mixte Prin Utilizarea Metodelor de Inspiratie Naturala
Studiu privind optimizarea tehnicilor biometrice mixte prin utilizarea metodelor de inspirație naturală
CUPRINS
1.Introducere
1. 1Tehnologii biometrice.Definiție și clasificare
1.2Amprenta
1.3 Recunoașterea irisului
1.4 Recunoașterea feței
1.5 Recunoașterea vocii
1.6 Metoda de verificare pe baza vocii
1.7 Recunoașterea semnăturii
1.7.1Metode de recunoaștere a semnăturii digitalizate
1.8 Tehnologii biometrice noi
1.8.1 Fața-detecția feței
1.8.2 Fața-Modelul formei statistice
1.8.3 Proiecția feței in subspații
1.9 Câmpul vizual
1.10 Palma.Metode de identificare
2.Tehnologii biometrice
2.1 Tehnici de eye-tracking
2.1.2 Tehnici electro-ocularografice
2.1.4 Urmărirea pupilei
2.1.5 Urmărirea reflexiilor corneal și retiniene
2.1.6 Alternativa utilizării senzorilor retinieni
3 .Tehnologii biometrice complexe
3.1 Analiza mersului
3.2 Analiza si prelucrarea vocii
3.3 Recunoașterea continuă a vorbirii
3.3.1Construirea unei baze de date pentru sinteza bazata pe metoda concatenativă
3.3.2Analiza pe termen scurt si parametrizarea semnalului vocal
3.4 Semnătura olograf vs. semnătura digitală
4.Studiul complexității tehnologiilor biometrice bazat pe rețele neurale
4.1 Complexitatea invatarii traiectoriilor sistemelor dinamice prin exemple
4. 2 Modele neconvenționale folosite in probleme de mari dimensiuni, cu aplicații de invățare și căutare locală
4.3 Modele de activare folosite in dinamica sistemelor complexe
4.4 Noi modele evolutive de cautare si optimizare
4.5. Modele ale sistemelor complexe bazate pe studiul aspectului temporal
4.6. Comportarea haotica in cadrul retelelor neurale
4.7. Modelul dinamicii bazat pe inteligenta roiurilor
1/51
5. Metode de optimizare ridicată
5. 1.Soluții de cautare-optimizare competitive pentru probleme complexe.Studii de caz
5.2 Optimizarea multimodală evolutivă
5.3. Identificarea topologiei spațiului de căutare
5.4 Clasificarea si clusteringul
5.5 Identificarea starii de energie minimă
5.6.Modelarea unor fenomene biologice si analiza datelor medicale. Studiu de caz
5.7Folosirea retelelor neurale cu comportament haotic in criptografie.Studiu de caz
6. Sisteme optoelectronice
6.1 Definiție
6.2 Sisteme optoelectronice cu urmărire asistată
6.3 Arhitecturi ale sistemelor optoelectronice de urmarire multisenzorială
6.4 Modelarea unui sistem de monitorizare vizuală activă
7.Evaluarea comparativă a performanțelor principalelor tehnologii biometrice
7.1Tehnici de detectare și urmărire a direcției privirii
7.2 Aplicații utilizând modele experimentale de eye-tracker
7.2.1 Model utilizând sisteme optoelectronice
7.2.2 Dispozitive ETDA
7.2.3 Aplicație cu modelul SOE
7.2.4 Arhitectură ETDA practică
7.2.5 Prelucarea rezultatelor. Estimarea caracteristicilor elementelor de poziție
7.2.6 Estimarea prin segmentare cu prag
8.Concluzii
9.Bibliografie
2/51
1. Introducere
1.1Tehnologii biometrice.Definiție și clasificare
Tehnologiile biometrice sunt metode automate pentru verificarea sau recunoasterea identitatii unei persoane vii pe baza caracteristicilor fiziologice sau comportamentale.
Avantaj:
– eliminarea posibilității fraudelor care apar în sistemele tradiționale de identificare;
– căutarea unor indivizi in baze de date;
– asigurarea accesului fizic sau logic al utilizatorului.
Abordările clasice în privința complexității au fost dezvoltate până acum doar într-un cadru determinist, respectiv prin soluții exacte, calculate de algoritmi determiniști. În acest context, complexitatea unei probleme derivă din complexitatea celui mai bun algoritm care rezolvă problema data.
Multe probleme sunt catalogate ca neavand algoritmi fezabili de rezolvare. O oportunitate pentru cercetare este acceptarea unor solutii aproximative furnizate de algoritmi euristici.
Astfel, complexitatea este privită în termeni de precizie/acuratețe a unei soluții furnizate de algoritmi. O parte din problemele precedente -multe nefezabile- devin în acest context aproximativ fezabile, unele chiar pentru orice rată de acuratețe.
Mai mult, metodele mai puțin complexe (în special non-determinste), unele inspirate de procese naturale, nu au fost incluse în studiul complexității.
Tehnologia biometrică este un sistem de recunoaștere a formelor, care operează prin colectarea de date de la un individ, extragerea unui set de caracteristici din datele preluate și compararea acestora cu un set de date din baza de date.
Un sistem biometric poate opera fie în modul de verificare, fie în cel de identificare. Astfel, în modul de verificare, acest sistem identifică o persoană prin compararea datelor biometrice colectate cu datele existente deja în baza de date aparținând unei anumite persoane. Pentru identificare un individ utilizează anumite elemente de identificare precum PIN (personal identification number), parolă precum și cardul bancar. În modul de identificare sistemul recunoaște individul în primul rând prin căutarea datelor din baza de date pentru a se ajunge la o potrivire a informațiilor, ușurând sarcina procesului de identificare întrucât clientul este recunoscut fără elemente de identificare (PIN, parolă etc).
Înregistrarea se bazează pe un identificator unic care caută o singură persoană pe baza unor caracteristici multiple, incluzând atributele biometrice (combinarea modurilor de autentificare).
Fig.1.1.1 Schema bloc pentru o solutie de inregistrare a informatiilor biometrice
3/51
Verificarea este etapa de prelucrare a informațiilor biometrice, ce presupune evaluarea calitativă a datelor achiziționate, extragerea de caracteristici individuale și compararea tiparelor acestora cu cele furnizate de o bază de date, în vederea stabilirii unor reguli de decizie.
Fig.1.1.2 Schema bloc pentru etapa de verificare a informațiilor biometrice
Identificarea este etapa de evaluare a informațiilor biometrice bazată pe compararea doar a atributelor biometrice în scopul căutării unei persoane într-o bază de date. La iesirea blocului de comparare, datele biometrice sunt prelucrate, și pe baza unor reguli de decizie permit semnalizarea admiterii sau rejectării identității.
Fig.1.1.3 Schema bloc pentru o soluție de identificare a datelor biometrice
4/51
1.2 Amprenta
Tehnologia folosind achiziția datelor biometrice oferite de amprentă constă în scanarea electronică a amprentelor umane și crearea unei baze electronice pornind de la imaginile asociate. Există mai multe tehnologii implementate după:
– potrivire bazată pe corelație de imagini: 2 imagini ale amprentelor sunt suprapuse si corelația dintre pixelii corespondenți este calculată pentru diferite alinieri (translații și rotații).
– potrivire bazată pe minuții: minuțiile sunt extrase pentru 2 amprente și stocate ca seturi de puncte in sistemul de coordonate 2D al imaginii.
Potrivirea constă în găsirea alinierii dintre template și seturile de minuții de intrare rezultând setul maximal de potriviri de minuții.
– potrivire bazata pe baza trăsăturilor de tip “ridge”: comparația se face pe baza trăsăturilor extrase din șabloanele ridge-urilor ( orientare locală și frecvența locală). Un procedeu des întâlnit este cel al geometriei mâinii, bazat pe analiza unei imagini 3D a mâinii umane.
Fig.1.2.1 Clasificarea amprentelor după Henry [1]
Sistemul de clasificare Henry permite clasificarea logică de înregistrări de amprente digitale în grupuri primare bazate pe tipuri de model de amprentă digitală.
Acest sistem reduce efortul necesar pentru a căuta un număr mare de înregistrări de amprente digitale și permite clasificarea înregistrări de amprente în funcție de caracteristicile fiziologice brute.Sistemul atribuie fiecărui deget o valoare numeric in funcție de ordinea de dispunere.
Pentru degetele ce contin un model vertical se aloca o valoare astfel: pentru degetele 1 si 2 valoarea 16, degetelor 3 si 4 valoarea 8, degetele 5 si 6 au valoarea4, degetele 7 si 8 au valoarea 2 iar ultimele 2 degete au valoarea 1. Se aloca valoarea zero pentru degetele ce contin un model non-vertical cum ar fi arce sau modele in forma de bucla.Suma valorilor este calculate si plasata in umaratorul unei fractii iar la numitor suma valorilor degetelor impare.
Tehnologiile biometrice ce au ca obiect de achiziție scanarea amprentei, functioneaza astfel:
O cameră video achiziționează semnalul refectat de partea inferioară a unei prisme, pe a cărei parte superioară o persoană dispune amprenta. Suprafața senzorului este convertită în imagine cu ajutorul unui senzor CCD (charge-coupled device) sau CMOS (complementary metal oxide semiconductor).
Dispozitivul ce conține senzor cu cuplaj de sarcină tip CCD(Charge-Coupled Device) este un registru cu deplasare analogic ce permite transportul semnalelor analogice prin mai multe etape succesive, sub controlul unui semnal de ceas. Principala utilizare a acestor dispozitive o constituie senzorii de imagine folosiți în scanere, aparate foto digitale, în telescoape și în diverse alte dispozitive de captat imagini.
5/51
Un senzor CCD este format dintr-o matrice de diode fotosensibile care captează datele imaginii și o matrice de memorare care le preia, atunci când este cuplat la matricea de diode.
În senzorul CCD încărcătura fiecărui pixel este transferată printr-un numar restrâns de noduri în sarcină electrică, stocată temporar și transmisă apoi ca semnal analogic.
Are avantajul că toată suprafața pixelului este folosită pentru captarea informațiilor iar uniformitatea răspunsului este mare, oferind o calitate mare.
Dispozitivul realizat in tehnologie CMOS (complementary metal oxide semiconductor) alocă pentru fiecare pixel un circuit electric propriu, senzorii continand deseori circuite de amplificare, corectie a zgomotului si digitizare.Acesta are dezavantajul unei complexitati ridicate in detrimental unei suprafete reduse pentru captare informatiilor, avand o uniformitate a raspunsului redusa.
Una dintre problemele metodei folosind clasificarea amprentelor este faptul că lumina refectată variază în funcție de caracteristicile pielii. Dacă pielea este udă sau uscată, amprenta obținută poate fi saturată sau palidă și, prin urmare, mai dificil de prelucrat.
Metodele de prelucrare a imaginii:în această categorie sunt incluse tehnicile de corelație a imaginilor și unele tipuri de transformate. Metodele bazate pe caracteristici:tehnicile de extragere a unor atribute (caracteristici) discriminante din imagine și aplicarea de tehnici de reprezentare a amprentei pornesc de la aceste atribute. Metodele hibride permit combinarea metodelor anterioare sau utilizează rețele neurale în scopul îmbunătățirii preciziei.
1.3 Recunoașterea irisului
Recunoașterea irisului este tehnologia biometrică bazată pe procesul de achiziție a imaginii irisului uman prin metode IR, urmat de analiza regiunii ochiului corespunzătoare pupilei și sclerei.
Oki Electric Industry a reușit dezvoltarea tehnicii Iris Recognition Technology for Mobile Terminals. Aceasta are ca bază de pornire algoritmi de recunoaștere ai irisului, originali OKI , obținuți prin folosirea camerelor optice standard cu care sunt echipate și terminalele mobile. OKI are în plan comercializarea produsului în toată lumea cu începere din martie 2007. Introducerea acestei tehnologii va permite producătorilor să includă recunoașterea irisului în telefoanele mobile și PDA-uri. Utilizatorii își pot utiliza terminalele mobile în siguranță și cu încredere maximă.Tehnologia a fost dezvoltată cu un algoritm, acesta asigurand o autentificare extrem de fidelă și comparativ cu metodele convenționale, ca introducerea numărului PIN, asigură acces mai facil pentru realizarea autentificării.
Fig.1.3.1 Procedeu de recunoaștere a irisului implementat pe un terminal telefonic mobil [24]
6/51
iți în scanere, aparate foto digitale, în telescoape și în diverse alte dispozitive de captat imagini.
5/51
Un senzor CCD este format dintr-o matrice de diode fotosensibile care captează datele imaginii și o matrice de memorare care le preia, atunci când este cuplat la matricea de diode.
În senzorul CCD încărcătura fiecărui pixel este transferată printr-un numar restrâns de noduri în sarcină electrică, stocată temporar și transmisă apoi ca semnal analogic.
Are avantajul că toată suprafața pixelului este folosită pentru captarea informațiilor iar uniformitatea răspunsului este mare, oferind o calitate mare.
Dispozitivul realizat in tehnologie CMOS (complementary metal oxide semiconductor) alocă pentru fiecare pixel un circuit electric propriu, senzorii continand deseori circuite de amplificare, corectie a zgomotului si digitizare.Acesta are dezavantajul unei complexitati ridicate in detrimental unei suprafete reduse pentru captare informatiilor, avand o uniformitate a raspunsului redusa.
Una dintre problemele metodei folosind clasificarea amprentelor este faptul că lumina refectată variază în funcție de caracteristicile pielii. Dacă pielea este udă sau uscată, amprenta obținută poate fi saturată sau palidă și, prin urmare, mai dificil de prelucrat.
Metodele de prelucrare a imaginii:în această categorie sunt incluse tehnicile de corelație a imaginilor și unele tipuri de transformate. Metodele bazate pe caracteristici:tehnicile de extragere a unor atribute (caracteristici) discriminante din imagine și aplicarea de tehnici de reprezentare a amprentei pornesc de la aceste atribute. Metodele hibride permit combinarea metodelor anterioare sau utilizează rețele neurale în scopul îmbunătățirii preciziei.
1.3 Recunoașterea irisului
Recunoașterea irisului este tehnologia biometrică bazată pe procesul de achiziție a imaginii irisului uman prin metode IR, urmat de analiza regiunii ochiului corespunzătoare pupilei și sclerei.
Oki Electric Industry a reușit dezvoltarea tehnicii Iris Recognition Technology for Mobile Terminals. Aceasta are ca bază de pornire algoritmi de recunoaștere ai irisului, originali OKI , obținuți prin folosirea camerelor optice standard cu care sunt echipate și terminalele mobile. OKI are în plan comercializarea produsului în toată lumea cu începere din martie 2007. Introducerea acestei tehnologii va permite producătorilor să includă recunoașterea irisului în telefoanele mobile și PDA-uri. Utilizatorii își pot utiliza terminalele mobile în siguranță și cu încredere maximă.Tehnologia a fost dezvoltată cu un algoritm, acesta asigurand o autentificare extrem de fidelă și comparativ cu metodele convenționale, ca introducerea numărului PIN, asigură acces mai facil pentru realizarea autentificării.
Fig.1.3.1 Procedeu de recunoaștere a irisului implementat pe un terminal telefonic mobil [24]
6/51
După ce clientul se supune scanării irisului în fața bancomatului, programul începe selectarea sectoarelor iriene, sistemul preluând de la fiecare iris parametrii necesari pentru a forma un IrisCod (un fișier ce se referă la baza de date).
Dispozitivul ce presupune scanarea irisului utilizează lumină monocromatică și infraroșie. Poziția și orientarea spațială a clientului aflat în fața bancomatului este esențială în procesul de scanare. La sfârșitul procesului de scanare pe ecranul monitorului va apărea un mesaj de confirmare a identității clientului.
Caracteristicile unei tehnologii de scanare sunt următoarele:
•Scanarea duală a irisului (ambii ochi sunt scanați cu o camera de xxx megapixeli);
•Rezistența scanerului (dispozitivul este rezistent la șocuri puternice, vibrații, picături de apa sau praf);
•Iluminare infraroșu, permite capturarea imaginii irisului chiar și în condiții reduse de lumină sau întuneric total;
•Prezentarea sub formă de cutie compact solidă (convenabilă pentru transport și asigură protecție suplimentară pentru componentele interne ale scanerului);
•Dispune de un vizor care protejează ochii de lumina directă a soarelui.
Parcurgerea etapelor în procesul de retragere a banilor prin scanarea irisului se va realiza conform schemei de mai jos:
Fig.1.3.2 Schema bloc a unei tehnologii biometrice de scanare a irisului implementată la ATM
Odată ce imaginea alb-negru a ochiului este obținută,prin folosirea unui algoritm se localizează irisul în cadrul acesteia și se creează un cod pentru iris (folosind metoda Gabor). Atunci când se creează codul irisului, algoritmul trebuie să ia în considerare condițiile de iluminare – acest lucru făcându-se dinamic – precum și faptul că, odată cu pupila, și irisul suferă schimbări de mărime, în funcție de iluminare.
Studiul irisului analizează ca principale priorități: demarcarea regiunilor de delimitare a irisului cu ajutorul contururilor active și compararea statistică a regiunii detectate.
Cercetarea irișilor (iridoscopia) poate duce la concluzii interesante privind starea sănătății. Studii recente se bazează pe principiul proiectării unor părți sau funcții ale organismului pe anumite zone de pe piele și mucoase. Astfel se permite diagnosticarea unor afecțiuni ale organismului prin intermediul fluxului nervos central și periferic ce există între țesuturile corpului nostru și membrana iriană.
Daca structura și funcția unui element somatic se mențin în limitele stării de sănătate, membrana iriană este normală în zona corespunzătoare acestuia. Dacă starea elementului respectiv este afectată, atunci sistemul nostru simpatic, transmite informația centrilor nervoși superiori, ce comandă prin intermediul nervului optic inserarea ei în structurile membranei iriene. Irisul își va modifica, astfel, configurația și culoarea în sectorul de proiecție aferent.
7/51
1.4 Recunoașterea feței
Recunoașterea feței este tehnologia biometrică ce se bazează pe achiziția imaginii feței umane și extragerea de caracteristici din aceasta în scopul generării unui tipar propriu.
Fața joacă un rol esențial în relațiile sociale, în comunicarea identității și a emoțiilor. Capacitatea umană de a recunoaște fețele este remarcabilă: putem recunoaște mii de figuri învățate de-a lungul vieții și identifica fețele familiare dintr-o singură privire chiar după ani de zile. Această capacitate este destul de robustă, în ciuda schimbărilor mari în stimulul vizual datorate condițiilor de vizualizare, expresiei, îmbătrânirii și altor factori perturbatori precum prezența ochelarilor, a bărbii sau schimbări ale coafurii. Ca urmare, acest subiect a fost în centrul atenției in întreaga lume și a pătruns de curând și în circuitul comercial: ajungând la aproximativ 5.5 miliarde $ în 2010, cu o rată de creștere anuală de aproximativ 25% .
Pe de altă parte, în ciuda numeroaselor soluții originale raportate în literatură, tehnicile actuale sunt încă departe de a oferi nivele de performanță acceptabile pentru introducerea acestor tehnologii în domenii sensibile precum controlul identității călătorilor în aeroporturi sau controalele vamale.
Deși atractivă deoarece nu presupune contact direct între subiect și senzor (se spune că este o tehnică neinvazivă), recunoașterea feței este o sarcină dificilă datorită surselor numeroase de variabilitate în condiții reale. Acestea includ printre altele: orientarea feței în raport cu aparatul de fotografiat sau camera de filmat, nivelul de iluminare, expresia feței, timpul scurs între momentele prelevării unor imagini distincte, precum și aspectele demografice (rasa, vârsta, sexul). Asigurarea invarianței în raport cu transformări elementare precum translația, rotația sau
schimbarea rezoluției reprezintă de asemenea o cerință obligatorie. Schema-bloc a unui sistem generic de recunoaștere a fețelor se prezintă în Fig.1.4.1, în care se distinge prezența unui modul de extragere a “semnăturii” specifice fiecărei fețe și a unui modul de clasificare, a căror proiectare este de regulă corelată.
Există 2 abordări majore pentru a obține informația caracteristică unei fețe, cu avantaje și dezavantaje specifice, ce pot fi folosite pentru extragerea “semnăturilor” de interes atât pentru aplicații de recunoaștere cât și pentru cele de verificare, diferențe apărând datorită tipului de clasificator utilizat:
a) algoritmi bazați pe analiza statistică a imaginilor disponibile, al căror scop constă în identificarea unei baze reprezentative în raport cu care să poată fi exprimată orice imagine sub forma unei combinații liniare de vectori ai bazei. Din această categorie fac parte metode precum Analiza pe Componente Principale (PCA), Analiza Discriminatorie Liniară (LDA) și Analiza pe Componente Independente (ICA),
b) algoritmi bazați pe măsurarea unor trăsături geometrice referitoare la distanțe între puncte semnificative de pe suprafața feței. Ca exemple putem enumera metodele Elastic Bunch Graph Matching și Local Feature Analysis.
Studii recente trec în revistă tendințele actuale din acest domeniu, printre care menționez:
– extensii de tip nucleu (kernel) ale unor metode clasice de proiecție pe subspații liniare, care au condus la apariția algoritmilor de tip Kernel PCA/LDA/ICA
– algoritmi bazați pe utilizarea unor reprezentări folosind baze cu bună localizare
spațială, respectiv metode urmărind descompunerea fețelor în componente distincte
(gupate în jurul unor puncte reprezentative precum ochii, nasul, gura – denumite generic puncte fiduciale)
8/51
– analiza imaginilor 3D și aplicarea tehnicilor de morfism (care urmăresc generarea
unor imagini virtuale ale unei persoane pornind de la un set de imagini captate din
unghiuri neconvenabile),
– un număr semnificativ de articole recente au ca element comun abordarea bazată
pe modelarea și aproximarea distribuției spațiale a imaginilor reprezentând fețe
umane sub forma așa-numitelor varietăți matematice (manifolds).
Fig.1.4.1 Schema bloc a unui sistem de recunoaștere a fețelor
Tehnologia biometrică de recunoaștere a feței, presupune mai multe etape de procesare datorită multitudinii de contexte în care se poate găsi fața umană (iluminare, poziție ș.a.);
Detecția feței este procedeul de determinare a regiunii dintr-o imagine care conține fața umană. În cazul imaginilor statice se face cu ajutorul transformării modelului de culoare.
În plus, pentru secvențele video, este necesar un algoritm suplimentar de urmărirea a feței.
Alinierea feței – are ca scop determinarea precisă a poziției feței și centrarea acesteia.
Extragerea caracteristicilor reprezintă obținerea informațiilor necesare pentru identificarea sau clasificarea feței.
Fig.1.4.2 Taxonomia algoritmilor de recunoaștere a feței
9/51
1.5 Recunoașterea vocii
Dinamica vocii umane este specifică fiecărui individ, fiind generată de tractul vocal, gură și cavitatea nazală, considerate ca find arhitecturi fiziologice. Aplicatii: autentificarea vocii, detecția vorbitorului, recunoașterea criminalistică.
Vocea electronică este una din denumirile prin care se înțelege sintetizarea vorbirii (vorbirea artificială), de exemplu produsă de calculator. Inteligibilitatea și naturalețea sunt caracteristicile principale necesare ale vocii electronice. Acestea însă nu se realizează in proporție de 100%. Cercetările recente se ocupă de modularea vocii electronice cu elemente care imită emoțiile umane.
Recunoasterea vocii este un process de convertire a limbii vorbite intr-un text scris sau o forma similara. Caracteristicile de baza a unui recunoscator de voce care are ca suport Java Speech API sunt:
· suportă o singura limba specificată,
· procesează un singur stream audio de intrare,
· se poate opțional să adapteze vocea pentru toți userii,
· gramatica poate fi updatată dynamic,
· are un mic set definit de proprietăți ale unor aplicații controlabile.
Pașii principali a unui recunoscător de voce tipic sunt:
· designul gramaticii: în gramatică sunt definite cuvinte care ar putea fi rostite de un utilizator și condițiile în care pot fi rostite.O gramatică trebuie sa fie creată și activată de un recunoscator pentru a ști ce să asculte pentru streamul audio.
Gramatica este descrisă mai jos în detaliu.
· Procesarea semnalului: analizarea caracteristicile spectrum-ului(frecventelor) a urmatorului semnal audio.
Un sistem de sinteză a vorbirii este format din două componente importante:
1. Un modul de prelucrare a limbajului natural (NLP) folosit pentru a obține o transcriere fonetică și a extrage elemente de prozodie.
2. Un modul de prelucrare digitală a semnalului care se ocupă de sinteza vorbirii.
Fig.1.5.1 Modul de prelucrare a limbajului natural-schema bloc
· Recunoașterea foneticii(“phonemelor”): compară modelul spectrului cu modelul foneticii limbii care trebuie recunoscută
· Recunoasterea cuvântului: compară secvența de fonetici cu cuvinte și modele de cuvinte specificate de gramatica activă.
· Generarea rezultatului oferă aplicației informații despre cuvinte care au fost detectate de recunoscător în streamul audio urmator.
10/51
Rezultatul informației este intotdeauna dat dupa ce recunoașterea propozitiei este completă, dar poate fi dată și în timpul procesului de recunoaștere.
Rezultatul întotdeauna indică cea mai bună “ghicire” a motorului de vorbire a ceea ce a spus utilizatorul, dar poate indica și o “ghicire” alternativă.
Cele mai multe procese ale unui motor de vorbire sunt automate și sunt controlate de creatorul aplicației.
De exemplu, plasarea microfonului, zgomotul de fond, calitatea plăcii de sunet, performanțele sistemului, puterea procesorului și sistemul de sunet folosit, toate afectează performanța recunoscătorului de vorbire care este peste controlul aplicației.
Modul principal cum o aplicație controleaza activitatea motorului de vorbire se realizează prin controlarea gramaticii.
O gramatică este un obiect în Speech API care indică ce cuvinte se așteaptă să zică un utilizator și în ce modele acele cuvinte ar putea apare. Gramaticile sunt importante pentru motorul de vorbire pentru că controlează procesele de recunoaștere.
Aceste controale fac ca recunoașterea să fie mai rapidă și cu o acuratețe crescută, pentru că motorul de vorbire nu trebuie sa verifice propoziții bizare.
Recunoașterea vocii este bazată pe analiza pe termen scurt a semnalului vocal; extragerea unor secvențe de semnal cu ajutorul ferestruirii (e.g., Hamming,Hanning ș.a.); extragerea coeficienților cepstrali; utilizarea modelelor Markov ascunse (HMM) pentru transformarea semnalului vocal în unități lingvistice.
Într-un sistem de recunoaștere a vorbiriii bazat pe reguli, o aplicație oferă motorului de vorbire reguli care definesc ceea ce este așteptat sa spună utilizatorul. Aceste reguli limitează procesele de recunoaștere. Un design precaut al regulilor, combinat cu un design precaut al interfeței utilizatorului, va produce reguli care permit utilizatorului o libertate de expresie rezonabilă și în același timp limitând o gamă de cuvinte care pot fi spuse, pentru ca procesele de recunoaștere să fie cat se poate de rapide.
1.6 Metoda de identificare pe baza vocii
Senzorii audio și de altă natură recepționează pâna la 7 nivele ale tonurilor nazale, vibrațiilor
gâtului și laringelui, a presiunii exercitate asupra aerului de catre voce. Majoritatea sistemelor utilizează un echipament similar cu cel al telefoanelor. Urmând indicatiile, subiectul ridică receptorul și introduce un cod PIN prin tastare de la butoanele telefonului.
La semnalul auzit prin receptor, subiectul pronunță parola de acces, care poate fi PIN-ul, numele sau o propoziție formată din 4 pâna la 6 cuvinte. Se repetă până la de 4 ori.
Timpul necesar este mai mic de doua minute. Dimensiunea fișierului rezultat variază între
1000 si 10000 de biți, în functie de producator. În prezent, aceste sisteme operează doar
ca verificatori ai identității. Raspunsul auditiv este primit prin receptor.
Unele sisteme includ si un raspuns vizual. Operatiunea durează pâna la 10-14 secunde. Sunt utilizate diferite metode, inclusiv măsurarea presiunii aerului, care este în creștere atunci când se
pronunță consoanele “p” sau “t”. Unele sisteme mai sofisticate cer utilizatorului sa pronunțe
diverse cuvinte, în ordine arbitrară, dintr-o listă de 10 cuvinte înregistrate. Zgomotul
din fundal poate afecta acuratețea sistemelor.
11/51
1.7 Recunoașterea semnăturii
Recunoașterea semnăturii este o tehnologie biometrică bazată pe faptul că dinamica inerentă a scrierii unei semnături poate fi achiziționată,ca și semnătura propriu-zisă, pentru a facilita crearea unui tipar reprezentativ.
Fig.1.7.1 Tipuri de clasificare globală a semnăturii [24]
Utilizată în criminalistică, autentificarea semnăturii, sisteme DRM (Digital Rights Management), supravegherea semnăturii.Sistemele existente pot fi de douăa tipuri:
– pe bază de caracteristici – se extrag seturi de caracteristici pornind de la semnătură;
– pe bază de funcții – compararea semnăturilor se face printr-o funcție de timp care înregistrează
Proprietățile locale ale semnăturii (traiectorie, viteză, accelerație, forță sau presiune).
1.7.1 Metoda de recunoaștere a semnăturii digitalizate
Viteza de scriere, direcția și presiunea exercitată asupra instrumentelor de scris sunt înregistrate
prin intermediul unor mici senzori ce se regăsesc în interiorul instrumentului de scris sau pe placa de scris. Urmând indicatiile, subiectul semnează, utilizând un instrument de scris sau o placă cu senzori. Sunt necesare 5 semnături. Unele sisteme înregistrează doar 3.
Pentru a preîntâmpina reproducerea semnaturii, se efectuează o convertire în coduri, după care se adaugă un PIN. Timpul necesar este de sub 2 minute. Dimensiunea fișierului ocupă aproximativ 1000-1500 biți. Utilizatorul se identifică prin tastarea unui PIN sau prin cititorul de card-uri. Apoi semnează utilizând instrumentul de scris sau placa de senzori. Mesajul de confirmare sau infirmare se transmite pe cale auditivă și vizuală dupa aproximativ o secundă. Timpul total este de 5-10 secunde, în funcție de timpul necesar pentru a semna.
12/51
Alte tehnologii biometrice special sunt: verificarea venelor, scanarea retinei, analiza lobului urechii, recunoașterea mersului, dinamica tastării, mirosul. ?
Cele mai răspândite tehnologii sunt: amprenta 52.0 %; figura 11.4 %; mâna 10.0 %; vocea 4.1 %; irisul 7.3 %; semătura 2.4 % ; tastarea 0.3 %.
Fig.1.7.2 Răspândirea tehnologiilor biometrice pe categorii după International Biometric Group
În general o tehnologie biometrică poate fi implementată în cadrul unui sistem având o structură ca cea de mai jos:
Fig.1.7.3 Blocurile componente ale unui sistem biometric
13/51
1.8 Tehnologii biometrice noi
1.8.1Fața-detecția feței
Una din tehnologiile biometrice modern de detecție a feței se bazează pe segmentarea imaginii prin determinarea regiunii de culoare asociate dintr-un model de culoare potrivit.
Fig.1.8.1.1 Detecția feței după culoarea pielii, reprezentare prin analiza spectro-cromatrografică[24]
1.8.2 Fața-Modelul formei statistice
Un alt procedeu folosit in detecția și recunoașterea feței se bazează pe crearea unei forme model pornind de la un set de imagini de antrenare, și analiza feței după distanța dintre principale elemente constitutive ale acesteia(ex.distanța dintre vârfurile sprâncenelor si extremitățile nasului,distanța dintre vârfurile buzelor,etc.)
Fig.1.8.2.1 Analiza feței pornind de la un set de imagini de antrenare [24]
14/51
1.8.3 Proiectia feței în subspații
Un alt procedeu folosit este aplicarea unei proiecții liniare (PCA, LDA, ICA) sau neliniare (kPCA) pentru a descompune imaginea feței într-o serie de imagini proprii.
Submulțimile de vectori liniar independenți și liniar dependenți permit definirea noțiunilor de bază și dimensiune ale unui spațiu vectorial. În final, sunt prezentate spațiile vectoriale euclidiene, adică acele spații vectoriale pe care s-a definit un produs scalar, ceea ce permite concretizarea noțiunilor de lungime a unui vector, unghiul a doi vectori, ortogonalitate,ș.a.
Organizarea spațiului fețelor în mod ierarhic, se realizează prin partiționarea urmând o structură de tip arbore. O direcție recentă de cercetare este legată de așa-numitul "optical flow" , bazat pe reprezentarea variației (gradientului) în intensitate dintre două imagini distincte ale aceleași persoane.
Astfel, procedeul permite reprezentarea imaginilor în domeniul frecvență demonstrând că, informația de fază este mult mai importantă pentru discriminare (separare) decât cea de amplitudine, după cum sugerează exemplul din Fig.1.8.3.1
e
a)
b)
c)
Fig.1.8.3.1 Rezultate ale proiecției feței in subspații a) imagini originale; b) aceeași amplitudine și fază aleatoare; c)imagini reconstruite utilizând informația de amplitudine corectă și faza
corespunzătoare celeilalte persoane [24]
15/51
Tehnicile bazate pe Transformata Wavelet Discretă
Tehnicile bazate pe Transformata Wavelet Discretă (DWT) sunt folosite pentru a extrage semnături de frecvență joasă a feței, ca în exemplul din Fig. 17. Influența rezoluției de reprezentare asupra ratei de recunoaștere a fost de asemenea analizată în literatură și este interesant de semnalat faptul că o rezoluție de numai 32×32 pixeli este suficientă pentru a obține performanțe rezonabile (în fapt, anumite aplicații precum simpla identificare a genului bărbat/femeie necesită chiar rezoluții mai mici).
Fig.1.8.3.2 Rezultate obținute ca urmare a aplicării tehnicilor bazate pe DWT [24]
1.9 Câmpul vizual
Modelele perceptuale actuale ale ochiului uman, actualizate în special datorită impactului tehnologiilor de afișare (studiul display-urilor de diverse tipuri), precizează un camp vizual de -59º la 110º pe orizontală și de -70º la 56º în plan vertical, pentru un ochi, rezultând un câmp total de 126º x (>200º), în funcție de conformația craniului. Din punct de vedere al rezoluției s-a stabilit percepția a mai mult de 15 milioane pixeli / ochi.
Fig.1.9.1 Câmpul vizual al ochiului omenesc [3]
Anatomic, retina este formată din patru zone particulare, după cum este prezentat în fig.1.9.1. Astfel, foveea se întinde pe maximum +/-1º reprezentând zona cu densitate maximă de receptori de tip conuri, sensibili cromatic.
16/51
Cele două zone periferice – temporală și nazală – au conformații asemănătoare constând în fotoreceptori de tip bastonașe, cu sensibilitate monospectrală și o dispunere cu densitate mică.
Practic, receptorii din foveea furnizează imaginea color diurnă, de rezoluție mare, iar zonele adiacente sunt responsabile pentru vederea periferică sau în condiții de iluminare scăzută. La nivelul foveei s-au determinat fiziologic limite de percepție de ordinul a 28” de arc, care nu corespund întru totul cu limita de difracție a sistemului și dimensiunile amprentei fotoreceptorului de tip con, presupunându-se pentru completarea modelului o influență a traseului neuronal al semnalului.
1.10 Palma.Metode de identificare
Scanarea formei palmei
Procedee moderne de identificare a persoanei după datele privind forma palmei și a degetelor (lungime, latime, înaltime) se se bazează pe obținerea unor imagini video, orizontale sau verticale. Subiectul este direcționat să poziționeze palma pe placă, cu respectarea delimitărilor dintre degete. Beculețele aflate deasupra a 4 degete asigură poziția corectă a palmei.
O camera digitală înregistrează o imagine de sus și din lateral, utilizând o oglindă. Subiectul este “invitat”să își retragă palma, iar apoi să o repoziționeze încă de 2 ori. Citirile efectuate îmbracă forma unui cod. Timpul necesar este de sub 2 minute. Dimensiunea fișierului ce rezultă este de 9 biți. Scanarea formei palmei este o metodă care lucrează numai ca un verificator al identității. Utilizatorul introduce PIN-ul prin tastare sau prin cititorul de carduri.
Când apare pe ecran mesajul "poziționați palma", utilizatorul trebuie sa ducă la îndeplinire
aceasta instrucțiune, respectând și delimitările între degete. Când cele 4 beculețe confirmă poziția corectă a palmei, iar datele necesare au fost culese, apare mesajul "retrageți palma". Mesajul vizual și auditiv de confirmare sau infirmare este trimis în 3-5 secunde.
Se trimite urmatorul mesaj: "sistemul verifică dacă palma utilizată este reală".
Fișierul de 9 biți este cel mai mic utilizat de vreo metodă biometrică. Sistemul de identificare
prin scanarea formei palmei este fabricat de Recognition Systems Inc. O alta variantă,
aceea a identificării pe baza scanării formei a numai 2 degete, este produsă de BioMet Partners.
Metodele de identificare
Sunt similare celor provenite din tehnicile de identificare ale amprentelor.Caracteristicile extractibile provin din: liniile șanțurilor de flexiune (linia inimii, a capului și a vieții), liniile de tensionare și striațiile papilare.
-Linia inimii (linie de flexiune) – curbă netedă care are originea în regiunea GHIP, intersectează segmentul OJ și nu intersectează segmentul AH;
-Linia capului – curbă netedă care are originea în regiunea ABML, intersectează segmentele DR și EQ și nu intersectează segmentul BG;
-Linia vieții – curbă netedă care are originea în regiunea ABML, intersectează segmentul AH și nu inersectează segmentul EQ.
17/51
Avantajul folosirii tehnologiei este dat de suprafața mai mare decât a degetului (amprentei), de gradul mai redus de deteriorare al suprafeței pielii și de suficiența unor rezoluții.
Fig.1.10.1 Analiza palmei prin segmentarea acesteia in zone [24]
Principalele caracteristici extractibile ce rezultă din analiza palmei sunt: geometrice (lungime, lățime și arie); liniile principale (localizare și formă); încheieturi;puncte terminale ale liniilor principale; structuri de tip delta; minuții (similar amprentelor); atribute texturale (filtre Wavelet, Gabor); analiza spectrală (coeficienți Fourier).
Fig.1.10.2 Principale caracteristici extractibile ale palmei [24]
Sistemele de achiziție sunt formate din surse de lumină și senzori CCD; în formă de L cu oglindă internă; ele sunt prevăzute cu tub lung orizontal sau cu tub lung vertical respective cu tub scurt. Metodele de clasificare sunt adaptate fiecărui tip de seturi de caracteristici.
18/51
2.Tehnologii biometrice
2.1 Tehnici de eye-tracking
Există o varietate mare de tehnologii aplicate în determinarea orientării privirii. O parte dintre acestea sunt disponibile numai în condiții de laborator sau echipează unele instrumente medicale. Clasificarea din figură este realizată după modul de interfațare al dispozitivului de citire cu sistemul oculomotor.
Tehnicile intruzive presupun atașarea intimă a unui element cu proprietate măsurabilă iar cele neintruzive utilizează citirea prin contact fizic sau de la distanță. Pentru exploatarea curentă s-au dezvoltat în special dispozitivele bazate pe determinarea fără contact fizic cu operatorul.
Fig.2.1.1 Taxonomia tehnologiilor de eye-tracking
2.1.1Tehnici ce utilizeaza lentile de contact
Aceste tehnici sunt foarte precise însă considerate “neprietenoase” de către operatori.
Principiul constă în utilizarea unor lentile de contact care posedă o caracteristică particulară ce
poate fi urmărită pentru a determina poziția globului ocular. Astfel, una dintre metode constă în
amplasarea în lentilă a unei bobine a cărei orientare față de două axe se determină cu un dispozitiv electromagnetic specializat. Influența câmpurilor magnetice implicate asupra țesuturilor umane este puțin studiată, de unde se preconizează limitarea răspândirii acestei tehnologii.
O altă metodă menționată în literatura de specialitate implică urmărirea reflexiei luminii pe o microoglindă cu o formă particulară ce este atașată lentilei de contact, a cărei orientare este determinată printr-un sistem optoelectronic. Acest din urmă procedeu poate utiliza o cameră video pentru determinarea orientării, constituindu-se astfel într-o tehnică mixtă, intruzivă și cu prelucrare de imagine.
Incomfortul produs de folosirea lentilelor de contact a limitat răspândirea acestor
tehnici la nivelul folosirii ca auxiliar de calibrare și antrenament pentru alte dispozitive mai
practice însă mai puțin precise.
19/51
2.1.2 Tehnici electro-ocularografice
Sunt tehnici ce se bazează pe înregistrarea diferențelor de potențial electric la nivelul pielii. Datorită faptului că sistemul oculomotor este activ electric în comparație cu restul globului
ocular, se manifestă diferențe de potențial electric ce pot fi citite prin electrozi amplasați pe piele.
Pornind de la acest semnale (EOG, electro-ocularografice) este posibilă reconstituirea mișcării
globului ocular. Acest tip de măsurători sunt folosite pentru determinări relative de orientare a
ochiului și sunt foarte precise, furnizând semnal de poziție cu o plajă de măsură largă (+/-70º) și
rezoluție mare.
Determinarea poziției absolute este practic imposibilă datorită dificultăților de
preluare prin piele a semnalului continuu. Metoda este simplă și ieftină, însă nu este practică, se
pretează pentru utilizarea în laboratoare, unde se pot controla condițiile de plasare a electrozilor.
2.1.3 Tehnici de estimare fără contact
Sunt tehnicile bazate pe analiza imaginii ochiului, preluată cu ajutorul unei camera video. Au fost dezvoltate mai multe metode, diferind după caracteristica anatomică aleasă pentru analiză. Se folosesc camere video pentru preluarea imaginii, în unele dezvoltări mai elaborate preluarea imaginii se realizează în două faze, cu două camere: o cameră cu obiectiv grandangular reperează capul operatorului, după care poziționează spre ochii acestuia cea de-a doua cameră, cu obiectiv zoom care stabilește încadrarea optimă a imaginii. În figura sunt prezentate elementele anatomice care se pot analiza utilizând tehnici de prelucrare a imaginii.
Fig.2.1.3.1 Urmarirea și localizarea pupilei
2.1.4 Urmărirea pupilei
Această tehnică este asemănătoare în principiu cu precedenta, însă se referă la urmărirea pupilei, mai mică în diametru și în general nemascată de pleoape, putându-se realiza și urmărirea în plan vertical. Diferența redusă de contrast între pupilă și iris conduce la o segmentare mai dificilă. Una dintre soluțiile de îmbunătățire a contrastului constă în iluminarea și preluarea imaginii ochiului în infraroșul apropiat (800 … 900 nm). Ca și în cazul metodei precedente, se păstrează ca referință capul subiectului, însă precizia de determinare este mult mai bună.
20/51
Fig.2.1.4 Determinarea poziției pupilei
Un sistem tipic de determinare a poziției pupilei este prezentat în figura de mai sus. În context
se utilizează un dispozitiv de captură video orientat spre operator, care înregistrează imaginea
feței acestuia. Sistemul figurat este de tip joasă rezoluție, utilizabil pentru introducerea datelor în
sisteme PC și vizualizare, având drept caracteristică preluarea unei imagini de ansamblu din
poziție fixă (asociată monitorului, de regulă), la care pentru interpretarea determinărilor se
utilizează și alte elemente din imagine, cum sunt poza facială și dimensiunea în cadru. Rezoluția
acceptată pentru astfel de sisteme este de ordinul a 1…3°. Sunt cunoscute mai multe metode de
determinare a direcției privirii ce utilizează imaginea poziției pupilei, acestea constau în
localizarea pupilei și raportarea unei caracteristici a acesteia, de regulă centroidul, la o referință
fixă care poate fi cadrul în sine, în cazul dispozitivelor atașate pe cap sau, ca în cazul de față,
referirea la elemente vizuale din poza facială.
2.1.5 Urmărirea reflexiilor corneale și retiniene
Este o tehnică prin care determinarea axei privirii se poate realiza de la distanță față de subiect, fără o referință în contact cu acesta. Se bazează pe determinarea reflexiilor produse de o sursă de lumină, de regulă în infraroșul apropiat, pe dioptrii de pe axa globului ocular. Utilizând surse de iluminare punctiforme, reflexiile se prezintă sub forma unor spoturi înguste care pot fi captate cu un senzor de imagine matriceal.
Fig.2.1.5.1 reflexii corneale și retiniene-reprezentare grafică
Reflexiile principale sunt cele produse de retină și de cornee. Determinând prin analiza
imaginii centroizii celor două reflexii, se poate extrage poziția direcției privirii din poziția relativă a acestora pe baza unei transformări simple asistată la inițiere de o fază de calibrare.
21/51
Metoda este dezvoltată în două variante: cu pupilă iluminată (iluminarea intervine pe axa camerei, pupila apare luminoasă, în contrast mare cu irisul) și fără iluminarea pupilei, caz în care segmentarea se face pentru pupilă pe nivel închis de gri iar pentru reflexia corneeană pe nivel de alb.
Fig.2.1.5.2 Localizarea reflexiilor luminoase la nivelul retinei
Dispozitivul generic ce poate fi asociat acestei metode constă dintr-o cameră video orientată frontal spre globul ocular și o sursă punctiformă de radiație IR. Camera preia imaginea cu elementele de interes (pupila și reflexia) la o scară rezonabilă pentru prelucrarea de imagine – tipic 320 x 240 pixeli cu pupila având diametrul în gama 50 …100 pixeli. Imaginea este prelucrată apoi de un dispozitiv specific (embedded sau PC cu o aplicație dedicată) cu un set de algoritmi particulari, din care în continuare se va prezenta o variantă care ține cont și de particularități anatomice individuale, respectiv de centrul de curbură estimat al globului ocular.
Fig.2.1.5.3 Determinarea centrului privirii dupa direcția de atenție
În tehnica prezentată s-a avut în vedere preluarea imaginii fără iluminarea pupilei. Pentru extragerea trăsăturilor implicate – pupila și prima imagine Purkinje,ambele cu o alură circulară – se realizează o segmentare compusă. În prima fază se determină regiunile de interes prin aplicarea unei operații cu prag multiplu, în prealabil antrenată pe nivelele de intensitate din imagine. Se examinează candidatura la forma circulară pentru fiecare regiune extrasă, urmărindu-se achiziția pupilei.
În caz de succes se trece la rafinarea conturului acesteia, iar pentru a elimina posibilele ocluzii datorate genelor sau reflexiilor Purkinje se utilizează un algoritm de potrivire cu o elipsă.
Procedeul constă în scanarea radială a regiunii candidate folosind un prag determinat din media intensităților. Se determină o primă elipsă ce corespunde setului de contur inițial din care se calculează un centru geometric provizoriu, după cum este reprezentat în figura.
Utilizând centrul provizoriu determinat se testează consistența conturului verificând poziția fiecărui pixel din set.Pixelii situați în afara muchiei determinate prin segmentare , sunt excluși, eliminând astfel zgomotele de suprapunere, după care se aplică din nou o elipsă.
22/51
2.1.6 Alternativa utilizării senzorilor retinieni
Un alt tip de determinare a direcției de atenție, ce poate fi implementat folosind senzori cu prelucrare on-chip a imaginii, constă în simplificarea tehnicii de determinare a centroidului
pupilar. Este o metodă de cost foarte redus, cu o acuitate relativ bună, care constă în aplicarea
unor operații inedite de segmentare directă a centroidului și interpretare, respectiv analiza
proiecțiilor pixelilor pe cele două axe.
Fig.2.1.6.1 Determinarea direcției de atenție prin analiza proiecțiilor pixelilor pe verticală/orizontală
Senzorul preconizat pentru utilizare este de tip retină artificială, cu rezoluție joasă (128 x 128) pixeli, ce are implementate o serie de operații de prelucrare de nivel scăzut a imaginii – extragerea contururilor, proiecție pe cele două axe,fereastră de interes. Proiecția imaginii de intrare pe cele două axe se realizează prin adunarea normalizată a valorilor nivelelor de gri ale pixelilor în lungul axelor verticală și respective orizontală.
La ieșirea senzorului este astfel furnizată o succesiune de secvențe de semnal unidimensional ce poate fi prelucrat în timp real cu un efort de calcul mult redus față de aplicațiile 2D, mergând până la implementarea funcțiilor de analiză pe un controler de uz general. O variantă de algoritm folosit pentru funcția de proiecție este:
Proc_proiectie_orizontala
Begin
For h = 1 to hmax do
For v = 1 to vmax do
P(h) = P(h) + P(h,v)
End
Proc_proiectie_verticala
Begin
For v = 1 to vmax do
For h = 1 to hmax do
P(v) = P(v) + P(h,v)
End
h și v reprezintă coordonatele pixelilor, P(h,v) reprezintă valoarea nivelului de gri pentru pixelul indicat, P(h) este rezultatul pentru coloana h iar P(v) rezultatul pentru linia v.
23/51
Un ansamblu de determinare a direcției privirii [3] rezultat este compact și are un consum redus de energie. Performanțele de acuratețe și rezoluție sunt bune, principalul dezavantaj fiind necesitatea amplasării senzorului într-o montură pe casca operatorului, într-o legătură de a cărei rigiditate depinde acuratețea determinării.
Fig.2.1.6.2 Localizarea reflexiilor luminoase prin prelucrarea datelor
O exemplificare a aplicării acestei tehnici este arătată în figura de mai sus, unde dintr-o imagine de intrare sunt extrase cele două proiecții, din analiza cărora se determină centroidul pupilei ca zonă de minim în grafic.
S-a prezumat o acuratețe de 10 minute de arc fără folosirea tehnicilor de estimare la nivel subpixel, pentru un câmp maxim de 10°, cu 19 citiri pe secundă, la un consum de 50 mW.
Evaluarea comparativă a performanțelor principalelor tehnici de detectare și urmărire a direcției privirii pe baza studiilor și a referințelor publicate, a caracteristicilor unor dispozitive
comerciale de acest gen, se prezintă mai jos sub forma unui tabel.
Fig.2.1.6.3 Tabel cu evaluarea comparativă a principalelor tehnici de detectare și urmărire a direcției privirii
Sistemul candidat pentru cea mai bună performanță este cel bazat pe urmărirea pupilei,
caracterizat printr-o foarte bună acuratețe, câmp unghiular de răspuns mare și rată de citire bună,
pretabilă la aplicații în timp real. Din punct de vedere al timpului de răspuns se evidențiază
sistemele cu urmărirea imaginilor Purkinje, care se pot folosi în aplicații ultrarapide, specifice
diverselor tipuri de diagnoză medicală specifică, la fel ca și aria de utilizare a tehnicilor cu
contact.
24/51
3 .Tehnologii biometrice complexe
3.1 Analiza mersului
-Avantajul identificării de la distanță;
-Pornește de la ipoteza divizării mersului în cinci faze care se succed periodic;
-Identificarea este efectuată pe principiul comparării siluetelor detectate.
Fig.3.1.1 Studiu de analiză a mersului [24]
3.2 Analiza si prelucrarea vocii
Aplicații: autentificarea vocii, detecția vorbitorului, recunoașterea criminalistică.
Tehnologia este bazată pe:
– analiza în termen scurt a semnalului vocal;
-extragerea unor secvențe de semnal cu ajutorul ferestruirii (e.g., Hamming,Hanning ș.a.);
-extragerea coefienților cepstrali;
-utilizarea modelelor Markov ascunse (HMM) pentru transformarea semnalului vocal în unități lingvistice;
Procesarea vorbirii e un domeniu care a evoluat mult în ultimii ani odată cu creșterea perfomanțelor sistemelor de calcul. Există un număr mare de aplicații în special în cazul serviciilor interactive și a sistemelor menite să ajute persoanele cu handicap.
Procesarea vorbirii cuprinde două mari direcții de dezvoltare:
1. Recunoașterea vorbirii reprezintă procesul de identificare a cuvintelor rostite de un vorbitor, lucru realizat cu ajutorul unei componente software numită Speech Recognition Engine (SRE).
2. Sinteza vorbirii este procesul invers recunoașterii vorbirii și constă în reconstruirea vocii de către sistemul de calcul. Acest lucru este strâns legat de procesul de conversie a unui text în limbaj vorbit și are loc printr-o analiză lingvistică a textului pentru a ajunge în final la unități lexicale ce sunt transformate în vorbire continuă. Sistemele care realizează acest process se numesc sisteme text-to-speech (TTS).
Un sistem TTS primește la intrare un text și are ca ieșire pronunțarea acestuia prin voce. Diferența esențială față de alte sisteme capabile să redea voce (de exemplu un casetofon sau un player audio) este posibilitatea de a creea în mod automat noi cuvinte sau propoziții. Există și posibilitatea de a concatena cuvinte izolate pentru a obține propoziții noi (fără o prelucrare intensă a acestora) atunci când se lucrează cu vocabulare reduse (de exemplu vocea care însoțește orice sistem de navigație GPS la ora actuală).
25/51
3.3 Recunoașterea continuă a vorbirii
Un sistem de sinteză a vorbirii este format din două componente importante:
1. Un modul de prelucrare a limbajului natural (NLP) folosit pentru a obține o transcriere fonetică și a extrage elemente de prozodie.
2. Un modul de prelucrare digitală a semnalului care se ocupă de sinteza vorbirii.
Prelucrarea semnalului vocal
Trăsăturile care stabilesc performanțele unui sistem TTS (text to speech) sunt inteligibilitatea și naturalețea vocii obținute. Aceste caracteristici sunt influențate în primul rând de tehnica folosită pentru procesul de sinteză a vorbirii.
1. În sinteza formantică nu se folosesc mostre de vorbire umană pentru sinteză ci modelul acustic. Frecvența fundamentală și zgomotul sunt variate în timp pentru a crea forma de undă pentru vorbirea artificială. Nivelul de naturalețe al vocii sintentizate este redus, în schimb aplicațiile care folosesc acestă metodă nu necesită o bază de date de dimensiuni mari.
2. Sinteza articulatorie se referă la utilizarea modelului tractului uman pentru generarea de sunet.
3. Metoda concatenativă se bazează pe concatenarea segmentelor extrase din vorbirea naturală înregistrată.
Rezultate obținute prin această metodă sunt bune în ceea ce privește naturalețea vocii, dar necesită un volum mare de înregistrări.
Producerea artificială a vorbirii prin metoda concatenativă implică metode de prelucrare a semnalului vocal începând cu achiziția acestuia, filtrarea pentru eliminarea zgomotelor, stocarea lui pe un suport magnetic sau optic, analiza lui în vederea extragerii anumitor parametri, segmentarea manuală sau automată în foneme, difoneme etc. precum și algoritmi de concatenare a unităților de sunet alese pentru sinteză.
3.3.1 Construirea unei baze de date pentru sinteza bazată pe metoda concatenativă
Sistemele de sinteză a vorbirii bazate pe această metodă funcționează prin concatenarea segmentelor acustice preînregistrate. Un sistem TTS trebuie sa fie capabil să transforme în voce orice cuvânt din vocabularul limbii pentru care a fost creat. În majoritatea cazurilor se folosesc baze de date ce conțin difoneme, trifoneme sau eventual silabe. Pentru a reduce din problemele care apar ulterior la algoritmul de concatenare este necesar un inventar mare de înregistrări pentru a putea selecta candidați potriviți.
Astfel, după ce se obține un set de unități necesare pentru acoperirea totală (în cele mai multe cazuri această listă este formată din difonemele specifice unei limbi), se trece la generarea unei liste de cuvinte ce urmează a fi înregistrate având grijă ca fiecare segment să apara cel puțin o dată, evitând silabe accentuate și cuvinte prea lungi care sunt pronunțate în general mai repede și mai puțin articulat .
Calitatea vocii obținute dintr-un inventar mic de segmente preînregistrate este afectată de prelucrările la care este supus semnalul. Acest lucru determină nevoia de a îmbogăți inventarul acustic cu trifoneme, silabe, cuvinte și chiar grupuri de cuvinte.
Stabilirea manuală a granițelor dintre sunete necesită timp și efort care poate fi redus prin folosirea unor metode de segmentare automată înainte de rafinarea manuală a rezultatelor.
26/51
3.3.2 Analiza pe termen scurt si parametrizarea semnalului vocal
Procesul de recunoaștere a vocii, poate fi modelat ca și un sistem de comunicație împărțit înpatru etape generare text, producere vorbire, procesare acustică și decodare lingvistică. Vorbitorul se presupune a fi un traductor care transformă în vorbire textul gândurilor pe care intenționează să le comunice interlocutorilor. Din punctul de vedere al sistemului de comunicație gândurile sunt sursa de informație. Conform teoriei informației, secvența de date se transmite pe un canal, care acționează asupra structurii ei. În cazul sistemului de recunoaștere canalul acustic este format din partea de producere a vorbirii și cea de procesare acustică. La intrarea canalului avem secvența de cuvinte W, care la ieșire este convertită în secvența de observații acustice Y, decodată mai apoi în secvența estimată de cuvinte W, cu ajutoruldecodorului lingvistic.
Fig.3.3.2.1 Schema bloc pentru analiza și parametrizarea semnalului vocal
3.3 Recunoașterea continuă a vorbirii
Cele mai complexe sisteme de recunoaștere sunt cele care realizează recunoașterea continuă a vorbirii. În acest caz utilizatorul rostește un mesaj, iar sistemul trebuie să fie capabil să-l înțeleagă. Printre problemele dificile de rezolvat se numără: determinarea capetelor rostirii (vorbitorul vorbind într-o manieră liberă, fără constrângeri), efectele datorate coarticulării sau funcționarea în condiții de zgomot.
Procesul de recunoaștere a vorbirii are la bază o căutare al cărei scop este găsirea unei secvențe de cuvinte care are probabilitatea cea mai mare de a fi generat semnalul vocal de la intrarea sistemului.
Căutarea se face pe baza așa – numitelor ”surse de cunoștințe”.Acestea pot fi: un dicționar care conține cuvintele care pot fi recunoscute, fiecare cuvânt fiind reprezentat ca și o secvență de foneme, un model lingvistic, care atașează o anumită probabilitate fiecărei secvențe de cuvinte și un model acustic,care modelează relația dintre vectorii de parametri și foneme.
27/51
3.4 Semnătura olografă vs. semnătura digitală
Verificarea semnăturii este o tehnologie standardizată la scară internațională implementată în aplicații diferite pentru a asigura o interoperabilitate ridicată, o recunoaștere și un nivel de securitate ridicat.
Bazele teoretice ale semnăturilor digitale au fost puse cu aproape trei decenii în urmă, dar utilizarea și implementarea acestora a luat amploare în urmă cu câțiva ani. Acest fenomen se datorează faptului că legislația în domeniul semnăturilor electronice a fost adoptată relativ recent, impulsionând cercetările din acest domeniu. S-a creat astfel cadrul necesar utilizării la scară largă a semnăturilor digitale.
Datorită necesității de a transmite la distanță documente semnate în format electronic, apare tot mai imperios necesitatea de a realiza protocoale sigure, ce pun tehnici digitale la dispoziție, și care rezolvă problemele enumerate anterior. Pentru a obține totodată valabilitatea documentelor electronice în fața legii, sunt necesare semnături electronice, care să fie echivalente din punct de vedere legal cu semnăturile olografe. Acestea trebuie să aibă aceleași proprietăți cu semnăturile olografe, iar momentul de timp la care semnătura a fost realizată să fie cunoscut.
Semnăturile olografe reprezintă o tehnică veche, creată datorită necesității societății umane de a încheia înțelegeri, acorduri sau contracte pe care semnatarii să le respecte, și totodată pentru a conferi documentelor un caracter individual sau de nereprodus. Semnăturile sunt, în general, atașate unor documente (scrisori, contracte, operații bancare) pe același mediu de stocare și transmisie (în cazul de față hârtia).
Datorită proprietăților ce le caracterizează, documentele electronice se confruntă cu următoarele aspecte:datele codificate în format binar nu prezintă individualitate;documentele electronice pot fi ușor copiate, multiplicate și modificate, fără posibilitatea de a detecta eventualele modificări;
semnătura electronică nu este conectată fizic la documentul semnat;din conținutul datelor sau al semnăturii nu rezultă neapărat momentul de timp la care a fost creat documentul sau semnătura.
Există însă și deosebiri fundamentale între semnăturile clasice și cele digitale:
semnăturile digitale sunt, de obicei, atașate documentului inițial, spre deosebire de cele olografe care fac parte integrantă din document (hârtia – mediul de stocare și transmisie – este considerată în acest caz o parte a documentului);
verificarea acestora este diferită, semnătura olografă fiind comparată cu un specimen de semnătură (o modalitate relativ nesigură și subiectivă), în timp ce o semnătură digitală este verificată pe baza cheii publice și a algoritmului utilizat la producerea semnăturii;
spre deosebire de cazul semnăturilor olografe, copiile realizate după o semnătură digitală sunt identice, având practic aceeași valoare ca și originalul (prima semnătură generată); de fapt, în aceste condiții, este impropriu a se vorbi despre un original în format electronic în sensul clasic al cuvântului.
Recunoașterea semnăturii este utilizată în criminalistică,prin procedee ca autentificarea semnăturii, sisteme DRM (Digital Rights Management), supravegherea semnăturii.
Sistemele existente pot fi de două tipuri:
-pe bază de caracteristici – se extrag seturi de caracteristici pornind de la semnătură;
-pe bază de funcții – compararea semnăturilor se face printr-o funcție de timp care înregistrează
proprietățile locale ale semnăturii (traiectorie, viteză, accelerație, forță sau presiune).
28/51
4. Studiul complexității tehnologiilor biometrice bazat pe rețele neurale
Rezultate recente din literature de speciaitate arata ca exista metode eficiente de rezolvare a problemelor complexe,avand un numar mare de variabile-acestea necesitand insa sisteme computationale cu puteri mari pentru prelucrare si memorii mari.
Aceste metode estimeaza solutii si se bazeaza pe modele ajutatoare ce necesita evaluarea a multe date de intrare.
Dezvoltarea unor noi tehnologii biometrice pentru optimizarea prelucrării de date conținând milioane de variabile constituie o nouă provocare a cercetării.
Aceste tehnici este necesar a fi foarte eficiente în ceea ce privește memoria necesară și construcția sau detectarea modulelor ce trebuiesc combinate.
Astfel, s-a propus încorporarea de tehnici de învățare automate supervizate sau nesupervizate ce se bazează pe rețele neuronale artificiale în cadrul procesului de căutare evolutivă – având ca scop detecția variabilelor puternic interdependente.
Aceste tehnologii au un cost relativ mic și sunt abordabile ușor privind complexitatea sistemului – capacitatea de stocare a memoriei și construcția modelului corespunzând numărului de variabile date.
Optimizarea evolutivă a proceselor apare însă ca necesitate pentru implementare a sistemelor complexe ale unor rețele de inspirație naturală.
4.1 Complexitatea învațării traiectoriilor sistemelor dinamice prin exemple
Învațarea dinamicii unui sistem ce prezintă complexitate este o problema de mare importanță în studiul comportamentelor și al predicției acestor sisteme. Învățarea prin exemple nu poate să fie rezolvată algoritmic. Există sisteme dinamice pentru care limbajul asociat mulțimii traiectoriilor nu se poate recunoaște de o mașină Turing. Sistemele dinamice mai puțin complexe au un limbaj asociat regulat la care problema învățării se poate rezolva prin metoda clasică a lui Angluin, clasa acestor sisteme este restransă fiind descrisă în literatura de specialitate.
Folosirea unei clase de limbaje mai largi decat cea pentru limbajele regulate, presupune implementarea în sistem a unor operații fizice de renormalizare, operatori de compoziție,etc., a căror implementare se rezolvă prin sisteme Lindenmayer. Aceste sisteme permit ca familia de gramatici folosite să fie învățată din exemple structurate, mai multe gramatici generând același limbaj.
29/51
4.2 Modele neconvenționale folosite în probleme de mari dimensiuni,cu aplicații de învățare și căutare locală
Căutarea locală bazată pe exemple a fost dezvoltată prin mecanisme de învățare și construcție de modele online. Acestea au la bază harți cu auto-organizare tip SOM ce funcționează pe baza rețelelor Kohonen, și la care învățarea este instruită online pentru a acumula experiența de căutare. Aceasta experiență este exploatată împreună cu convergența rețelei, hârtile învățând automat topologia unui spațiu sau mulțimi de date de intrare.
Metoda permite detecția legăturii dintre variabile și structura problemei, facilitând operații direct pe module.
Prezintă avantajul de automatizare a proceselor de învățare,astfel încat nu mai este nevoie de a se căuta și evalua repetat un model, similar metodelor clasice.
Un exemplu de astfel de model este OMBLS(Online Model Based Local Search).
4.3 Modele de activare adversariale folosite în dinamica sistemelor complexe
Aceste modele se bazează pe determinarea proprietăților dinamice folosind activarea asincronă. Aceasta influențeaza convergența și respectiv timpul de convergență al dinamicilor sociale. Acest model permite decuplarea ordinii de activare a proprietatilor sistemului, urmarind înțelegerea factorilor și cauzelor ce introduc rezultate. Modelele de cercetare s-au realizat folosind dinamica aleatoare din inteligența artificială sau de amestecare rapidă folosind lanțuri Markov.
Rezultatele au arătat că modelul de activare adversarial este ca pentru a se valida un rezultat, este determinant capacitatea activatorului de a alege următorul nod activat, bazat pe o stare definită a sistemului.
4.4 Noi modele evolutive de căutare si optimizare
Studii recente au aratat că structura spațiului soluțiilor este asociată cu complexitatea temporală a algoritmilor folosiți. Din analiza cercetărilor efectuate s-a observat tendința de implementare a unor noi modele de mașini cu suport vectorial.
Astfel calea de învățare ramâne neschimbată, dar coeficienți ai funcției de decizie pot fi acum dezvoltați în raport cu obiectivele de optimizare ce au legatură cu acuratețea, viteza de prelucrare și generalizarea aplicațiilor.
Totodată, aceste noi soluții permit sa se obțină explicit coeficienții funcției de decizie fără a impune sistemului analizat alte constrângeri.
Modelele noi evolutive de cautare si optimizare sunt orientate catre modele distribuite spatial,cu foarte multe optime locale apropiate unele de altele.Acestea au fost dezvoltate prin testarea unor serii de functii reale si au permis modelarea mai multor optime locale, permitand abordari ale unor problem complexe reale.
Tehnicile noi propuse, se bazează pe distribuția spațială a indivizilor din cadrul populației si pe folosirea de metode asincrone de căutare. Dezvoltari recente, tratează coexistența mai multor subpopulații ce au roluri diferite în cadrul căutarii, aceasta realizându-se global în cadrul unor căutari locale-bazate pe interacțiunea între indivizi diferiți genetic.
30/51
4.5. Modele ale sistemelor complexe bazate pe studiul aspectului temporal
Aceste metode se bazează pe generalizarea unor modele din fizica statistică în automate celulare și în rețele complexe. Abordari ale acestor sisteme se bazează pe modelul Ising.
Acesta este descris ca bazat pe o matrice de culori, valori + sau – , respectiv valori 0 sau 1. În cadrul acestui sistem celulele invecinate tind spre a avea valori identice din motive energetice.
Într-o rețea complexă, abordarea permite ca fiecare nod al retelei să cunoască celelalte noduri, rețeaua fiind definită ca o rețea completă de cunoștințe.
Relațiile dintre noduri și a asocierilor acestora au fost subiect al cercetarilor din 2008 ale lui Dumitrescu și Diosan.
Alte modele distribuite spațial se bazează pe o distribuție spațială a elementelor de căutare si pe aplicarea asincronă a operatorilor de evoluție. Elementele de căutare sunt de fapt agenți inteligenți ce au un grad definit de autonomie.
Dinamica sistemelor acestora au fost studiate de Goga în 2009, dinamica sistemului fiind definită de mai multe subpopulații cu roluri diferite în cadrul căutarii.
Comunicarea între subpopulații asupra distribuirii elementelor au demonstrat variante diferite de selectare a perechii pentru recombinare-fiind posibil a fi dezvoltate prin modele probabilistice.
Astfel, estimarea de valori probabilistice de acceptare sau de neacceptare a unor elemente nou generate au stat la obținerea de rezultate pe seturi de funcții test-reproducand modelul experimental.
4.6. Comportarea haotică în cadrul rețelelor neurale
Retelele neurale prezintă o conectivitate arbitrară a unităților de procesare, respectiv a neuronilor, comportament dinamic ce se poate descrie continuu prin ecuații diferențiale sau la moment discret de timp. În ultimii ani s-au efectuat cercetări pentru variantele discrete, existând interes pentru aplicații reale ca optimizarea, prelucrarea de imagini.
Astfel, aplicații ale modelelor discrete sunt mai bogate în comportament decât sistemele descrise prin ecuații diferențiale.
Cercetări asupra rezultatelor obținute prin introducerea de întârzieri în cazul unei rețele realizate din 2 neuroni interconectați ,au demonstrat că suma auto-întarzierilor este egală cu suma întârzierilor ce provin de la celalalt neuron.
Astfel s-a identificat domeniul de stabilitate al rețelei și oportunități de cercetare către limita în funcție de valori ale unor parametri. Complexitatea acestora determină un comportament haotic al rețelei.
Trecerea de la stabilitate la haos al unei rețele se realizează prin stadii intermediare definite prin soluții periodice și atractori. Acestea au fost publicat în 2008 de Balint si Kaslik ce au dezvoltat simulari numerice pentru aceste modele.
Cercetari recente s-au axat pe studiul unui ansamblu de p neuroni conectați într-o topologie inel unidirecțional, astfel încât neuronul I transmite semnal lui i+1 pentru fiecare I dintre 1 si p-1, iar neuronul p transmite un semnal catre propriul neuron. Neuronul are auto-intarziere transmisa catre urmatorul neuron.Pentru p neuroni s-a identificat o soluție de stabilitate a topologiei de rețea și valori pentru obținerea de bifurcații.
31/51
Preocupari actuale leagă această dinamică de teoria sistemelor interactive din particule.
Astfel, dacă topologia ce corespundea unui graf complet permitea determinarea stărilor recurente ale sistemului, prin implementarea unui algoritm se poate testa recurența unei stări a sistemului.
Rezultatele au aratat că determinarea recurenței unei stări se poate face prin rezolvarea polinomială a unui sistem liniar de ecuații booleene.
S-a constatat că pentru cea mai simplă familie de grafuri corespondența ciclului triadic din fig. fig.4.6.1 si 4.6.2, timpul de convergență este liniar și depinde de proprietățile hipergrafului dual original. În cazul analizei unui graf se poate măsura timpul de convergență, definit de constanta Cheeger-un parametru universal al topologiei grafului dual.
Oportunități de cercetare viitoare ar putea continua de la faptul că determinarea timpului de convergență este o problemă nerezolvată.
Implementarea unui sistem este dificilă iar studiul catre cazurile particulare nu au fost abordate. Astfel exista variante în care hipergraful nu conține muchii, respectiv hiper-muchii cu 2 vârfuri.
Fig.4.6.1 Ciclul triadic Fig.4.6.2 Dualul ciclului triadic
Concluzia generală este că metodele matematice folosite în studiul sistemelor interactive de particule pe grafuri finite pot fi folosite pentru analiza matematica a algoritmilor de căutare locală.
4.7 Modelul dinamicii bazat pe inteligența roiurilor
Studiul comportamentului roiurilor de insecte, bancuri de pesti au demonstrat ca acestea obțin succese în atingerea scopurilor propuse cum ar fi identificarea traseului optim spre anumite locații, evitarea predătorilor, etc.
Acest studiu a inspirat elaborarea unei metode de optimizare nesupervizată, denumită Particle Swarm Optimization(PSO). Aceasta permite ca pentru fiecare soluție individul ce se află în mișcare să se gasească cea mai bună valoare a funcției fitness(de apropiere între 2 valori importante de deplasare), în funcție de valoarea inregistrată de individul din vecinatatea sa în lungul evoluției acestuia.
Modelul permite separarea completă a spațiului bidimensional, în care se miscă particulele din spațiul solutiilor, iar pozițiile acestora respectiv distanțele între ele sunt inițializate aleator și evoluează în funcție de distanțele cu vecinii topologici.
Metoda permite orice optimizare, rezultate deosebite obtinandu-se în domeniul clasificării și în special în clustering-abordând relațiile dintre vecini. PSO permite dezvoltarea către hibridizare cu alte metode, aducând îmbunățatiri prin integrarea cu alte tehnici.
32/51
5. Metode de optimizare ridicată
5. 1.Solutii de cautare-optimizare competitive pentru probleme complexe.Studii de caz
In 2008 Dumitrescu si Iclanzan au propus diferite solutii pentru rezolvarea unor probleme bazate pe module separabile ce conțin milioane de variabile. Pentru optimizare s-au identificat oportunități de codificare a legăturii între module prin paralelizarea unor metode dar și prin aplicarea concomitentă a strategiilor de căutare.
S-a aratat cum metodele de invatare bazate pe retele neuronale pot extinde topologia prin metoda simpla (1+1)folosind algoritmi evolutivi. Apoi s-a dezvoltat o metodologie capabilă să detecteze și să combine module largi și pentru legături genetice nefavorabile, abordand căutarea locală.
Astfel evaluarile funcțiilor obiectiv s-au realizat printr-o putere exploratorie puternică în căutari locale, limitând modelele detectate la cateva soluții optime.
5.2 Optimizarea multimodală evolutivă. Studii de caz
Probleme complexe abordabile pentru tehnologii mixte studiate in ultimii ani trateaza manipularea precisa a razelor,abordand cromodinamica genetica.Stoean a propus în 2008 un mecanism adaptiv alternativ pentru detectarea subpopulațiilor bazat pe exploatarea topologiei formei funcției obiectiv. S-au examinat mai multe bazine de atracție în același timp prin interacțiuni între indivizi care se află în regiuni determinate de praguri definite.
Studiul a urmărit dacă o pereche de indivizi urmarește sau nu acelasi optim. Aplicația s-a realizat pe functii multimodale, făcându-se comparații cu alte metode, și demonstrând o viteză mai rapidă. Rezultatele au arătat că optimizarea bazată pe funcții Himmelblau, Schaffer si SixHumb Camel Back au demonstrat o bună flexibilitate și un comportament îmbunătățit privind algoritmul folosit.
O altă abordare a fost rezolvată cu o noua tehnică evolutivă construită ca alternativă a arhitecturii standard a mașinilor cu suport vectorial, urmarindu-se ca prin folosirea aceleași strategii de învățare să se simplifice și generalizeze antrenarea.
S-au realizat aplicații pentru determinarea bolilor unor plante cerealiere, recunoasterea plantelor, predicții imobiliare și detectarea spam-ului.
Rezultatele comparabile cu implementări standard pe mașini cu suport vectorial clasic au reliefat acuratețe si predicție precum și timpi reduși de rulare.
5. 3. Identificarea topologiei spațiului de căutare
Problemele care au soluții într-un spatiu de căutare despre care nu există informații implică determinarea unui număr de optim globale sau locale, pentru alegerea unui algoritm potrivit.
În prezent se propun metode bazate pe o tehnică evolutivă de optimizare prin codificare reală, pentru a se estima numărul de optime necesar evaluării funcției de performanță.
33/51
Metoda presupune folosirea unui algoritm evolutiv si achizitia de datelegate de profilul formei spatiului de cautare pentru o problema reala bine definită.
Astfel spre deosebire de alte metode în care s-au gasit mai multe solutii optime, scopul acestor cercetări este de a se obține o estimare a numarului de optime ale funcției obiectiv.
Se insista astfel pe etapa de preprocesare si de achizitie folosind o populaite cu marime variabila,descrescator de la o populatie mare catre numai indivizii cei mai prolific din bazine diferite.
S-a arătat că mărimea populației poate crește pe parcursul reproducerii, cu exceptia descoperirii unor noi bazine de atractie.Astfel evaluarile functiei de performanta este mentinut redus.
5. 4 Clasificarea si clusteringul
Clasificarea este procedeul ce presupune gruparea unui set foarte mare de date apartinand unor obiecte in clase predefinite,procedeu folosit cand metodele deterministe nu sunt eficiente.
Privind problemele de clustering,acestea nu ofera numarul de clustere in care trebuie realizata o anumita grupare si nici informatii privind pozitionarea clusterelor in spatial de cautare.
Desi unele metode,in special algoritmii genetici si retelele neural pot sad ea rezultate bune in clustering,problema este inca deschisa datorita complexitatii sale si a dificultatilor in definirea exacta a problemelor concrete.
Luchian in 2008 folosind Particle Swarm Optimization propune o forma simplă și directă de mapare prin adăugarea unor etape de pre si post-procesare,testand clustere bine definite si clustere suprapuse bine definite-pe diverse seturi de date.
S-a aratat ca metoda permite depasirea performantelor oferite de algoritmii centroid,si o puternica dependent de algoritmul folosit.
Aplicatiile practice studiate se refera la sistemele de recomandare pentru navigatia pe web,grupand utilizatori pe baza preferintelor acestora si tanand cont ca informatiile privind preferintele sunt in general incomplete.Aplicatia are un puternic caracter local demonstrand o limitare a dimensiunii referintelor privind corectitudinea datelor fapt ce implica o incredere puternic dependent de relatiile intre utilizatori.
5. 5 Identificarea stării de energie minimă
Băutu și Luchian au propus in 2008 o reprezentare de tip spanining tree ce defineste starile restrictiilor privitoare la legaturile dintre spini.Bazandu-se pe structura unui algoritm genetic,s-au introdus operatori specifici-evitand pe cei clasici a caror eficienta este redusa in acest caz.
Mutatia si incrucisarea au fost proiectate astfel incat sa se tina cont de muchiile arborelui ce formeaza reprezentarea.
S-au folosit trei algoritmi,unul genetic simplu folosind reprezentarea standard,un algoritm ce utilizeaza implementarea nou propusa si un altul care langa acesta contine operatori nou introdusi.
S-a arătat ca în timp ce pentru dimensiuni reduse ale problemei rezolvate sunt la acelasi nivel, la creșterea dimensiunii, ultimul algoritm se detașeaza. Noua reprezentare nu conduce la creșterea performanței decât la aplicarea operatorilor nou introduși-fără aceasta observându-se scaderea performanței.
34/51
5.6 Modelarea unor fenomene biologice și analiza datelor medicale. Studiu de caz
Majoritatea fenomenelor din sistemele biologice sunt controlate prin retele de reglare cu structura complexa,retele a caror modelare necesita un numar mare de ecuatii sau reguli de transformare ce ridica probleme computationale.
O astfel de retea de reglare este cea ce face controlul procesului de coagulare a sangelui prin formarea trombinei.Reactiile din procesul de coagulare au multiple bucle a caror reprezentare este dificila. În 2008 Braescu a identificat în retea 2 căi, una intrinsecă și alta extrinsecă ce se intersectează și pe care, prin reprezentare a obținut 36 ecuatii diferentiale de ordinul I.
Prin rezolvarea numerica a sistemului a aratat ca rezultatele practice sunt aceleasi cu cele experimentale in ceea ce priveste profilul trombinei dar si durata fazei de initiere a procesului de
producere a acesteia.Extragerea informatiilor din datele medicale prezinta dificultati privind faptul ca sunt mixte si provin din diferite surse fiind afectate de zgomot sau valori absente respective al 2-lea aspect ca scopul ce se urmareste prebuie sa aibe un character explicative-predictibil.Pentru acest din urma aspect,s-a urmarit reprezentarea prin reguli de clasificare,predictive si asociere a cunostintelor extrase din date.
Procesul de optimizare urmareste explicitarea gradului de confidenta si de noutate din punct de vedere al expertului uman-urmarind o evaluare printr-o selectare corecta a datelor adecvate.
S-a demonstrat ca algoritmii evolutivi functioneaza corespunzator doar pentru un numar de 2-3 criterii,precum si faptul ca extragerea regulilor este dificila fiind legata de forma acestora.
Zaharie a propus in 2008 extragerea interactive a regulilor in interdependent cu un operator uman ce poate sa evalueze regulile si sa conduca procesul de cautare spatial a acestora.
5. 7 Folosirea rețelelor neurale cu comportament haotic in criptografie. Studiu de caz
Pentru a se identifica tehnici robust de criptare,in ultimii ani au fost propuse sisteme cu comportament haotic.
Astfel Chao in 2006 a propus un sistem de criptare bazat pe o retea neurală recurentă cu întârzieri,modelată în timp continuu printr-un sistem de ecuatii diferentiale.
Abordari recente au propus un model caracterizat prin:
-reteaua contine 2 neuroni interconectati fara auto-conexiuni;
-fiecare neuron are o intarziere proprie;
-valorile ponderilor sunt sufficient de mari pentru a se induce un comportament haotic
Codificarea are urmatoarele etape:
-simularea dinamicii reteleipentru un numar de iteratii corespunzatoare perioadei de tranzitiece precede comportamentul haotic;
-folosind valorile produse de catre unul din neuroni si o functie prag se genereaza siruri binare;
-unul din siruri este interpretat ca valoare naturala si e folosit pentru permutarea circulara a blocurilor din informatia ce trebuie codificatadar si din celalalt sir binar;
-informatia codificata se obtine prin aplicatea disjunctiei exclusive asupra variantelor de permutare impreuna cu caracteristicile retelei cum sunt ponderile conexiunilor,ratele de descrestere,intarzierile,numarul de iteratii din faza tranzitorie.
Sistemul permite criptarea imaginilor digitale si gasirea de indicia pentru decriptare.
S-a aratat ca sistemul este sensibil la datele de intrare initiale astfel incat ca in absenta valorilor exacte ale conditiilor initiale,decriptarea este imposibila.
35/51
6. Sisteme optoelectronice
6.1 Definiție
Un sistem optoelectronic (SOE), este un sistem folosit pentru prelucrarea de informații biometrice, respectiv o aplicație a conceptului de vizibilitate artificială. Funcționarea acestuia este derivată din procesele de cerere și de detecție optică / analiză / interpretare / decizia de radio-electronică [1].
Studiul de față este justificat de asigurarea unei bune interfațări ale acțiunilor operatorului cu sistemele automate umane.
Această lucrare propune o evaluare comparativă a modelului activ de urmărire vizuală cu un model de urmărire ajutat de un operator uman, care poate fi integrat în sistemele de elemente biometrice integrate. Pornind de la o scurtă analiză a sistemului de urmărire optoelectronică se analizează un sistem activ de urmărire prin implementarea unui model de sistem optic. Considerațiile finale reprezintă o analiză a etapelor de preprocesare de imagine, care ilustrează o structură optimă de analiză a datelor.
Experimente [4], [12], pot fi urmate de punerea în aplicare a unor procedee de selecție directă a unui prag adecvat, privind furnizarea unei cantități mari de informații utile. Aplicații recente[3], sunt urmate de proiectarea sistemelor integrate, de realizare a unor noi tehnologii. Acestea oferă în plus față de funcțiile de urmărire,detectarea artificială, urmărirea obiectivului, navigația și asistarea unor activități umane sau de auto-observare.
SOE este utilizat în aplicații industriale de automatizare dar și in aplicații civile de control acces. Un aspect important este procesul de urmărire vizuală, și implementarea de sub-arhitecturi specifice utilizate în astfel de aplicații. Astfel, este necesar studiul timpului de procesare, astfel încât acestea să poată efectua analiza în timp real, pentru o bună rapiditate a deciziei de intervenție
Sistemele optoelectronice active de urmărire sunt caracterizate prin capacitatea vizuală de a urmări obiectivele în afara câmpului vizual prin ajustarea direcției inițiale a capului de căutare care vizează zona analizată[10]. Sistemele complexe sunt potrivite pentru aplicații cu câmp larg de observație. De obicei, aceste sisteme sunt completate și de o funcție de detaliu – Zoom optic, în general, care prevede ajustarea țintei [3]. Pentru urmărirea unui singur obiectiv se asigură orientarea axei de vedere față de centrul zonei supravegheate. Aplicațiile directe sunt în special de asistență tip de orientare sau semi-automate de navigare.Structura generală a unui astfel de sistem este prezentat în figura 6.1.1
Figura 6.1.1 Versiune SOE activ de urmărire optică și de monitorizare a traficului aerian [10]
36/51
6.2 Sisteme optoelectronice de urmărire asistată
Sistemele optoelectronice de urmărire asistată, sunt sisteme de urmărire asistate vizual de operator, destinate pentru operațiuni extrem de complexe și au o descriere parțială în [11].Operatorul contribuie la indicarea țintei, corectarea erorilor, și raportarea la sistemul de evenimente. Este, de asemenea, interfețe cu informații externe ce au nevoie de mediul înconjurător, în situații specifice tactic.
Există situații în care operatorul poate interveni atunci când sistemul este necesar pentru a limita corectarea erorii de urmărire (mai multe obiective, pierderea de selecție, o interpretare greșită a scenelor, pronosticuri false).
Structura unui astfel de sistem de urmărire este prezentat în figura următoare.
Fig.6.2.1 Sistem de urmărire opto-electronic asistat de operator uman
6.3 Arhitecturi ale sistemelor optoelectronice de urmarire multisenzorială
Conceptul de fuziune senzorială este acum dezvoltat în legătură cu cererile de ATTR recunoaștere automată a țintei) [11] sau de urmărire vizuală [12].Principiul constă în creșterea performanțelor sistemelor de recunoaștere și de obiectivele de urmărire.In plus față de datele de intrare vizuale sunt furnizate informații suplimentare privind tinta de la un câmp de senzori.
Aceste date pot fi imagini, luate din domeniul spectral diferit (imagistica în infraroșu apropiat, termică) sau radar, de asemenea, alte tipuri de date (telemetrie, acustică și altele). Aceste date într-un proces de fuziune duc la creșterea performanțelor sistemului prin reducerea preciziei de răspuns și probabilitatea de eroare, în special în gama de atmosferic, dinamica, obstacole, mai multe obiective, măsuri de hidding).
O condiție importantă este înregistrarea corectă a datelor și de "potrivire" a lor, prin utilizarea unor transformări specifice.Procesorul de ieșire poate permite o fuziune utilă n-dimensional, pentru a corespunde structurii de senzori utilizați.Structura unui astfel de sistem este prezentat în figura de mai jos.Experiențe folosind senzori IR au costuri mai mici și au aplicabilitate în domeniul radar.Dimensiunile reduse și de dezvoltarea senzorilor au condus la o dezvoltare a aplicatiilor de tip hiper fuziune spectrală senzorială.
37/51
Fig.6.3.1 Arhitectura sistemului optic de urmărire a multisenzorială
Fig.6.3.2 Schema bloc de achiziție și de prelucrare a semnalului
38/51
În figura de mai sus am prezentat o structură formată din două module: un subsistem senzorial care furnizează date prelucrate de imagine și un subsistem pentru selecție / de urmărire a obiectivelor Acesta conține mai multe tipuri de senzori termografici (FLIR), senzori de inalta rezolutie (SAR) pentru teledetectie sau senzori optoelectronici (OE).Acestia asigură selectarea din zona de interes și conectarea la un subsistem de orientare printr-un modul de urmărire
Blocul de prelucrare a imaginii funcționează prin reducerea zgomotului în etapa de preprocesare, pregătirea pentru segmentare și de extragere a caracteristicilor,precursoare pentru etapa de discriminare
6.4 Modelarea unui sistem de monitorizare vizual activă
În prezenta lucrare am propus un model care permite combinarea de clasificatori generați de poziția de gesturi și de traiectorii de mișcare ale capului. Sistemul de fuziune pornește de la stabilirea unei baze de date pentru gesture,colectând date de la un eșantion de voluntari. S+au mai realizat studii [12] privind interacțiunea gesturilor umane, cu un sistem informatic,și s+au emis concluzii despre complexitatea, naturalețea, flexibilitatea și eficiența gesturilor analizate.
Achiziția necesită gesturi și mișcări ale capului. Pentru detectarea de gesturi si achizitii facute de mână se poate folosi o tehnică de segmentare prin cadre video.Se pot analiza culoarea caracteristică, detecția de mișcare față de modele ale unui fundal, urmând a se compara caracteristicile pentru a distinge între diferite distanțe și mișcări.
Fig.6.4.1 Model complex de SOE folosind fuziunea datelor
39/51
Semnalul este achiziționat prin placa de captură video, este preprocesat video folosind Direct X 9.0 și interconectarea la o bază de date cu elemente de gestică.
În continuare se fac clasificări după culoarea pielii, după mișcarea poziției capului și după detecția urechilor. Semnalele provenind de la modulul de achiziție ale gesturilor mâinii sunt clasificate folosind clasificatori ai culorii pielii, pentru detecția mișcărilor mâinilor.
Parametrii tehnici urmați sunt numărul de cadre / sec, de imagine, rezoluție, compresie imagine algoritmi de procesare.
Se impune crearea unei baze de date care conține parametri de analiză necesari pielii pentru zonele care conțin obiecte în mișcare.
Pentru detecție a miscării capului și achiziționarea de gesturi facute cu capul se pot obține informații de la caracteristicile mișcării capului.
Totodată aceasta permite a se determina direcția de deplasare, de detectare a feței-prin analiza in conjuncție cu alte caracteristici ca lobul urechii sau detectarea de culoare.
Semnalul de iesire a arhitecturii imaginate mai jos poate fi utilizat pentru recunoaștere și detecție a oamenilor sau pentru detectare a directiei lor de mers in perimetre sau zone de siguranță.
Are loc totodata preprocesarea semnalelor achizitionate continand miscari ale capului-folosind metaexperti de miscare ai capului.
In final are loc obtinerea unor date de pozitie si directie a mainii si miscarii capului.
40/51
7. Evaluarea comparativă a performanțelor principalelor tehnologii biometrice
7.1 Tehnici de detectare și urmărire a direcției privirii
Sistemul candidat pentru cea mai bună performanță este cel bazat pe urmărirea pupilei,
caracterizat printr-o foarte bună acuratețe, câmp unghiular de răspuns mare și rată de citire bună,
pretabilă la aplicații în timp real. Din punct de vedere al timpului de răspuns se evidențiază sistemele cu urmărirea imaginilor Purkinje, care se pot folosi în aplicații ultrarapide, specifice
diverselor tipuri de diagnoză medicală specifică, la fel ca și aria de utilizare a tehnicilor cu
contact.
Fig.7.1.1 Dispozitiv experimental utilizat pentru detectarea și urmărire a direcției privirii
Sistemele comerciale disponibile la ora actuală în mod curent pe piață sunt de tip video-ocularografic, constau dintr-un dispozitiv asemănător cu ramele ochelarilor, sau se prezintă sub o formă ce se poate atașa unei căști. Acestea sunt prezentate ca dispozitive de interfață cu PC ul, folosite în paralel cu mausul și tastatura sau în diverse contexte de realitate virtual simulatoare, teleoperare).
Există modele comerciale de eye-tracker,cu fixare pe capul operatorului, care pot fi utilizate atât pentru determinarea poziției pupilei cât și pentru interpretarea relației acesteia cu reflexiile Purkinje. Astfel, mai sus este reprezentat un model binocular în care camerele video preiau imaginea globului ocular prin intermediul unor lame plan-paralele amplasate pe direcția privirii. Iluminarea IR se realizează prin intermediul unor diode LED amplasate pe suportul camerelor.
Semnalul video analog este preluat de către un calculator personal prin intermediul unei plăci de captură și apoi prelucrat în timp real, obținându-se ca date de ieșire coordonatele centroidului pupilei în raport cu dispozitivul, pentru fiecare semicadru.
Modelul este un eye-tracker monocular cu cameră de ambient care preia direct imaginea globului ocular, iluminată IR prin aceeași tehnică, ce poate fi de asemenea folosit în două moduri de lucru, cu urmărirea pupilei sau cu interpretarea relației dintre poziția pupilei și prima reflexie Purkinje. Dispozitivul dispune de o cameră frontală suplimentară care vizează mediul ambiant, fixată rigid față de camera de urmărire. Această a doua cameră este folosită pentru preluarea câmpului vizual vizat de operator. Aplicația de prelucrare este capabilă să înregistreze direcția privirii în scena vizată, sub forma unor simboluri de adnotare suprapuse peste imagine sau împachetată într-un stream de date sincronizat cu fluxul video.
După cum s-a prezentat mai înainte, metodele de urmărire a pupilei în raport cu imaginile de reflexie permit estimarea corectă a direcției privirii fără a utiliza un dispozitiv în contact cu operatorul (ochelari, cască). Echipamente de acest tip care conțin o cameră video și două iluminatoare IR amplasate pe monitorul pe care subiectul vizualizează scena de interes.
41/51
7.2 Aplicații utilizând modele experimentale de eye-tracker
Testarea tehnicilor menționate anterior pentru estimarea vizuală a direcției privirii s-a realizat folosind un dispozitiv de tip video-ocularograf. Pentru aceasta s-au realizat două modele experimentale de eye-tracker, prezentate în continuare sub numele de ETD și ETDA. Pentru ambele dispozitive s-a ales varianta cu amplasare pe capul subiectului,echivalentă cu echipamentele de tip ochelari sau cască. Modelele furnizează către un PC semnal video digital comprimat, serializat pe o legătură USB1.2. Pentru prelucrare s-au utilizat mediul de testare de algoritmi MATLAB, simulatorul SIMULINK și aplicații scrise în Visual C++, pe o platformă Windows XP.
7.2.1 Model utilizând sisteme optoelectronice
Acesta propune un sistem format dintr-o cameră în mișcare în raport cu un punct de tinta Având în vedere un sistem de coordonate global și de sistemul de coordonate imaginii, locația de un pixel din imagine (x, y) este determinată de transformarea obiectului în imaginea de proiecție corespunzătoare la punctul de țintă în spațiu:
Distanta focala distanta focala (1)
De stat sistem vector este definit de către poziția centrului de greutate țintă și viteza în planul imagine: (2)
Având în vedere ca sala de mobilier, obiectivul apare în film ca și de insumarea camera lui. Luând în considerare numai tinta de mișcare față de camera: (3)
unde x și y sunt componentele în planul imaginii și viteza de țintă și ycam XCAM componente sunt introduse de tremuratul camerei.
Tremuratul camerei este o dimensiune externă, care se introduce în sistem: (4)
(5)
Ecuația de stare a sistemului este:
(6)
Pentru a simplifica ecuațiile cinematice este recoandat ca vizualizarea să se realizeze prin rotire în jurul centrului zonei de vizare. În realitate, camera este dificil de poziționat și permite aproximări prin aplicarea de strategii specifice de circulație-poziționare.Algoritmii în coordonate țintă, pot fi reprezentați după cum urmează:
(7)
unde ω este viteza unghiulară a camerei.
Camera poate modela doar două rotații, X și Y. Astfel:
(8)
Viteza poate fi exprimată în imagine astfel:
(9)
Ecuațiile se pot simplifica,presupunând că imaginea țintă este în centrul imaginii.
În acest caz, ecuația de mișcare se poate aproxima: aprox.= , aprox.= (10)
În concluzie, camera se rotește cu viteze unghiulare ωX, ωY mișcare a introdus în imaginea este dat de XCAM, ycam.
42/51
7.2.2 Dispozitive ETDA
Modelul ETDA (Eye-Tracker Device with Ambiental View) a fost realizat [2] utilizând
două webcam-uri modificate, conectate la un hub USB, de la care s-a realizat și controlul sursei
de iluminare – o diodă electroluminescentă de același tip cu cele folosite la dispozitivul ETD. Una dintre camere a fost adaptată pentru vizarea din apropiere, cu un același tip de obiectiv cu distanța focală de 20 mm. Suportul acesteia a fost realizat astfel încât la montarea dispozitivului pe o cască să vizeze direct unul din ochii subiectului, dintr-o poziție situată la periferia câmpului vizual al acestuia. A doua cameră a fost montată rigid față de prima, cu un obiectiv cu câmp normal, având ca direcție de vizare normala figurii subiectului. Astfel, ansamblul ETDA se constituie într-un eye-tracker cu vizare directă și cameră ambientală, care permite după prelucrarea datelor corelarea direcției estimate a privirii cu conținutul scenei vizate de subiect [5,6].
Pentru preluarea, prelucrarea și vizualizarea datelor s-a folosit un sistem PC pe care s-a
rulat o aplicație dedicată, cu funcționare în timp real, scrisă în Visual C++. În program s-au
implementat algoritmii prezentați în cadrul capitolelor precedente iar pentru captură s-au utilizat
clasele incluse în pachetul DirectShow al Microsoft.Aplicația realizează estimarea direcției de atenție a operatorului și suprapunerea acesteia peste câmpul vizual al camerei ambientale, prezentând două moduri de lucru, cu vizualizarea ochiului director sau cu vizualizarea ambientului. S-a implementat de asemenea și o funcție de stocare a datelor de orientare și a secvențelor prelucrate, pentru o interpretare ulterioară [6], [7].
Practic, la punerea în funcțiune a sistemului ETDA s-a constatat obținerea unor imagini
ale globului ocular cu un contrast mai bun, specific vizării directe. Precizarea caracteristicilor spectrale ale senzorului de imagine folosit certifică rezultatele mai bune obținute cu ETDA.
Webcam-ul utilizat pe ETDA conține un senzor color de tip CMOS, ale cărui caracteristici spectrale au fost de asemenea figurate în formă relativă în graficul din figura mai jos, având reprezentate caracteristica de tăiere a filtrului Kodak 87C și caracteristica spectrală a iluminatorului.
Fig.7.2.2.1 Caracteristica de taiere a filtrului și iluminator
La punerea în funcțiune a sistemului ETDA a obtinut imagini, cu un contrast mai bun[12]. Caracteristicile spectrale ale senzorul de imagine folosit oferă rezultate mai bune obținute cu ETDA. Webcam-ul folosit sunt de culoare senzor CMOS cu caracteristicile spectrale indicate de către producător, în figura (caracteristica de filtru și funcția de tăiere spectrală).
Filtrul utilizat este caracterizat de o mare lățime de bandă care permite vederea în infraroșu. Acest tip de senzor poate fi folosit cu succes în sistemele biometrice. Zona hașurată indică răspunsul sistemului în 800-1000 nm al ETDA. Efectul CMOS al senzorului permite o sensibilitate relativă mai bună în zona spectrală utilă. Această proprietate permite utilizarea de senzori de imagine low-cost, în conitii de deyvoltare a tehnologiei CMOS.
43/51
7.2.3 Aplicație cu modelul SOE
Modelul folosind înregistrări ETD, s-a realizat prin studiul mișcării ochilor.
Fig.7.2.3.1 Model pentru determinarea unor puncte vizate din câmpul vizual
Astfel, un subiect a vizualizat puncte dispuse conform figurii de mai sus și a extins câmpul vizual de aproximativ 40 ° Condițiie de vizare sunt la o distanță de cca. 30 cm față de planșă, grila având un pas de 1 cm.
Imaginea achiziționată de subiect din aceste noduri corespund mirei vizate, în indicele ordinea specificată în figura de mai sus. Înregistrări au fost făcute cu un singur subiect, in mai multe sedinte [4].
7.2.4 Arhitectură ETD practică
Metoda de înregistrare este o aplicație de tip de captare folosind un subiect, folosind un mouse-ul, pentru a indica poziția pentru fiecare nod din miră.
Acest lucru a permis obținerea de imagini în format GIF, cu 352/288 pixeli și 24-biți de culoare RGB. După cum s-a menționat acest model oferă semnal video alb+negru.
Eventuale cercetări pot permite dezvoltări către imagini color. Se pot genera mai multe secvente de studiu pot fi stocate în mai multe fișiere de pe hard disk format jpeg, pentru o prelucrare ulterioară.
Fig.7.2.4.1 Schema bloc a unei aplicații folosind un SOE
44/51
7.2.5 Prelucarea rezultatelor. Estimare caracteristici elemente de poziție
Experimentele au aratat că pentru metodele de estimare s-a testat directia privirii.[8], [9] S-au folosit ca date de intrare un set de imagini obținute cu caracteristici de observare la distanță la vedere, având o geometrie specific a mirei.Scopul a fost de a estima trăsăturile caracteristice ale imaginilor achiziționate prin metode vizuale de vizare, și anume pozițiile de elevație și de reflecție a corneei.
Interfața grafică a aplicației este prezentată în figura următoare, în două moduri de afișare.
Fig.7.2.5.1 Rezultate obținute folosind programul Simulink [8]
În prima poziție este prezentată imaginea – rezultat pentru tracker-ului ocular, în care sunt figurate elipsa estimată pentru pupilă și cursorul ce indică centroidul acesteia. În imaginea următoare este reprezentată aplicația în modul de lucru cu vizualizarea ambientului, în care cursorul adnotează punctul de atenție al operatorului.
În cazul de față este reprezentat un nod al mirei, în aceleași condiții cu experimentul ETD,afișat pe monitor. Cu algoritmul descris s-a obținut prelucrarea fără pierderi de cadre pentru ambele fluxuri video având rezoluții de 320×240 pixeli, 24 bit RGB, cu 25 cps, rulând pe PC cu procesor Intel P4,1,7GHz cu 512 MB RAM, sub Microsoft Windows XP.
Aplicația prezentată certifică accesibilitatea și utilitatea implementării unui eye-tracker
cu estimarea poziției pupilei, în care s-a inclus o funcție de imersie a direcției de interes în câmpul vizual al operatorului. Tehnicile testate în acest capitol permit dezvoltarea în continuare a
aplicației, prin introducerea metodelor de corelare cu reflexiile corneene, care permit creșterea
acurateței estimării și simplificarea calibrării dispozitivului. O altă posibilitate deschisă este
relaționarea de la distanță cu operatorul, fără contact, prin interpretarea integrală a geometriei
imaginilor de reflexie, îmbunătățită în ipoteza de iluminare și integrarea într-un sistem de urmărire complex.
Fig.7.2.5.2 Sistem de urmarire si de localizare a 4 puncte,corespunzând reflexiilor acestora
45/51
Acesta a fost destinat punerii în aplicare a algoritmilor care evaluează capacitatea și caracteristicile dintre metodele enumerate, apoi, de condițiile reale de muncă, precum și realizarea unui scor de performanță [5].
În cele din urmă datele metrice au fost introduse prin algoritmi și au fost aplicate pentru a evalua direcția privirii [6].
Pentru prima etapă am folosit doar un set de imagini care, prin convenție, au fost stabilite după cum se arată în figura elemente caracteristice, care centrul de reflecții ale corneei.
7.2.6 Estimarea prin segmentare cu prag
Metoda de evaluare a fost de a estima poziția subiectului prin determinarea centrului de vizare al imaginii împărțite de prin prag optim [13].Segmentarea imaginea inițială a fost efectuată cu pragul optim, care se aplică un algoritm de centrul de greutate. Textura complexă și contrastul imaginii a redus apariția de segmentare și resturi de produs. S-a folosit soluția de filtrare și un algoritmul de tip centroid pentru calibrare a pragului de discriminare al subiectului [7].
Fig.7.2.6.1 Structura algoritmului propus
Pe imaginea inițială s-a realizat o segmentare cu prag optim asupra căreia s-a aplicat un algoritm de centroid. Textura complexă a imaginii și contrastul redus au condus la apariția unor artefacte de segmentare pentru a căror eliminare a fost aleasă soluția aplicării unui filtru morfologic. În continuare este prezentat schematic algoritmul descris.
Algoritmul de centroid custructura din fig 7.2.6.1 este este cel descris de ecuațiile, unde S este pragul utilizat pentru discriminarea pupilei.
Fig.7.2.6.2 Algoritm de centroid implementat pentru determinarea centrului de imagine
46/51
8.Concluzii
Prin optimizare multicriteriala am reprezentat activitatea de selectare, din mulțimea soluțiilor posibile folosirii unor tehnologii biometrice, a acelei soluții care este cea mai bună în raport cu 4 criterii predefinite. Conform tabelului din fig. s-au luat in calcul următoarele componente:
1./o problemă tehnică constând în calculul matematic al unei soluții;
2./existența mai multor soluții pentru aceeași problemă;
3./un criteriu de selectare a soluției optime.
S-a utilizat funcția obiectiv care reprezintă expresia matematică a criteriului de optimizare, aceasta reflectând eficiența economică a procesului și în același timp răspunzând obiectivelor funcționării oricărei tehnologii biometrice.
Astfel s-a selectat o singură soluție, dintr-o mulțime posibilă, pe baza evaluării funcției obiectiv, rezultatele fiind reprezentate in tabelul de mai jos.
Fig. 8.1 Tabel de analiză comparativă a performanțelor principalelor tehnologii biometrice
Tabelul reprezintă o evaluare bazată pe studiul principalelor tehnologii biometrice și bazat pe discuții respectiv analize de piață a tehnologiilor , furnizorilor , și manageri de program
Se observă că tehnologia biometrică de analiză a geometriei mâinii a fost folosită doar pentru
aplicatii de verificare , cum ar fi controlul accesului fizic și timp. Prin recunoașterea vocii , este necasar înscriere și de potrivire folosind o frază standard , ea fiind de obicei folosită doar pentru verificare .
Exista o variabilitate considerabilă în ceea ce privește robustețea și acuratețea .
Amprentarea are o robustețe moderată, și cu toate că este distinctivă privind acuratețea sau selecția resurselor, are un procentaj mic de folosire.Acesta este datorat de obicei, din cauza vârstei, schimbărilor genetice, ocupației sau expunerea la produse chimice respectiv alte pericole la locul de muncă.
Tehnologia bazată pe analiza geometriei mânii/ degetelor este moderată pe scara robusteții, în timp ce tehnologia de recunoaștere facială nu este nici extrem de robust, permițând o acuratețe moderată. În ceea ce privește analiza și recunoașterea vocii, aceasta are parametrii biometrici destul de robuști dar o acuratețe scazută.
47/51
Scanarea irisului este o tehnologie extrem de robustă, deoarece acestea nu sunt modificabile în timp
Scanarea retinei este destul de robustă și cu o acuratețe foarte mare.
În cele din urmă, și verificarea dinamicii semnăturiicât și dinamica scrierii sunt deosebit de scăzute privind robustețea sau acuratețea.
După cum arată tabelul, datele biometrice variază în ceea ce privește modul în care intruzive
sunt, variind de la acele date biometrice care au nevoie de detalii biometrice prin care se poate recunoaște o persoană de la distanță.
Din acest punct de vedere pentru aplicații militare selecția tehnologiilor biometrice se restrânge la folosirea tehnologiei privind recunoașterea feței.
Astfel la recunoașterea vocii cât și recunoașterea feței intruziunea se realizează de la distanță, recunoașterea feței permițând în schimb o acuratețe mult mai bună.
Totodată recunoașterea feței se poate face în mod discret, fără ca persoana analizată să cunoască faptul că este urmărită sau supravegheată.
Recunoașterea feței permite față de toate celelalte tehnologii folosirea pe timp de noapte sau vizibilitate redusă prin implementarea unor mijloace de achiziție –senzori corespunzatori.
Aceasta este ușor de integrat în aplicații militare dintre cele mai diverse permițând o exploatare rapidă, diverse interconectări cu baze de date precum și semnalizări diverse.
Privind experimentele realizate in studiile applicative, acestea au fost finalizate prin reprezentarea tridimensională a imaginii și a histogramei,folosind Matlab.
S-a remarcat o buna reprezentare a valorilor pixelilor de intensitate pe axa Z.Histograma non-modala a facut însă dificilă punerea în aplicare a unei soluții pentru alegerea directă a unui prag adecvat.
Analiza imaginii tri-dimensionale a reprezentat pe axa Z valorile pixelilor de intensitate și a demonstrat că oferă o rată bună de a marca elevația în valori de 60 … 90,caz în care histograma este relevantă.
Aceasta caracteristică a histogramei face dificil de implementat selecția directă a unui prag corect.
Analiza imaginii inițiale arată însă o bună demarcare a pupilei în zona valorilor 60…90, pentru care în histogramă se observă un submod corespondent. Astfel, considerând ca invariabile condițiile de iluminare, s-a ales o estimare de tip prag optim în care acesta se află la minimul de probabilitate dintre distribuția corespunzătoare pixelilor ce aparțin pupilei și maximul global.
Fig.8.2 Reprezentarea histogramei și tridimensională a imaginii
48/51
Referatul abordează problematica sistemelor optoelectronice de urmărire, concentrându-se asupra unui caz particular – interfațarea cu un operator uman prin estimarea direcției privirii acestuia.
Prin realizarea unui modele de tehnologii biometrice și implementarea algoritmilor specifici s-a demonstrat funcționarea acestei tehnologii, s-au arătat posibilitățile și limitele de utilizare. Adoptarea unor tehnici originale, atât la nivel hardware cât și software a permis încadrarea rezultatelor experimentale într-o clasă ridicată de acuratețe. Testarea experimentală a unui set lărgit de tehnici specifice a permis clasificarea acestora din punct de vedere al performanței, acest studiu putând fi utilizat ca suport pentru alegerea unei implementări
convenabile din punct de vedere al raportului performanță/preț.
S-a arătat astfel că tehnologiile vizuale neintruzive de eye-tracking constituie un instrument puternic, precis, care pot lărgi modul de interacțiune al omului cu mediul prin prisma interpretării răspunsului natural (atât reflex, cât și conștient/subconștient) la stimulii vizuali.
Tipurile de date și precizia obținute îngăduie interpretarea acestora pentru o estimare a atenției
unei persoane atât ca localizare în spațiu cât și prin interpretarea dinamicii, în sens de nivel și
variație, mergând până la izolarea unei amprente individuale sau la determinarea stării psihice a
persoanei.
Principalele contribuții sunt:
1. Prezentarea unui model al urmăririi vizuale active și a unui model al urmăririi vizuale asistate prin eye-tracking de un operator uman.
2. Implementarea unui set de tehnici vizuale neintruzive de estimare a direcției de
atenție pentru un eye-tracker, utilizând analiza imaginii pupilei,utilizarea segmentării cu
prag optim pentru proiecțiile imaginii.
3. Particularizarea și rafinarea unor tehnici cunoscute de preprocesare și segmentare a imaginii
Propunerea de utilizare a unui algoritm particularizat, în sensul
adaptării la condițiile de zgomot și textură specifice, și de testare a unor filtre accesibile, filtre ce pot condce la îmbunătățirea răspunsului sistemului, atât în faza de preprocesare cât și pentru
filtrarea rezultatelor.
4. Studiul analizei proiecțiilor imaginii pentru detecția pupilei. Implementarea acestei metode
datorită posibilităților practice de folosire pe platforme hardware cu resurse scăzute, la un raport
performanță/preț foarte bun, s-au implementat tehnici eficiente de filtrare a rezultatelor.
5. Implementarea estimării direcției de atenție utilizând localizarea reflexiilor, prin care s-au testat modele experimentale fără a considera o referință în contact cu operatorul.
6. Estimarea unor date biometrice individuale – diametrul pupilei, raza de curbură a corneei,
poziția cristalinului, indici de refracție.
7. Analiza statistică a rezultatelor și clasificarea metodelor în funcție de performanțele obținute.
8. Realizarea unei aplicații de eye-tracking utilizând simulatorul Simulink, cu ajutorul căreia sau
obținut secvențe de date de orientare, prin prelucrarea cărora s-au extras parametrii de variație.
9. Realizarea unei aplicații de eye-tracking pe PC, prin care pentru modelul experimental de eye-tracker cu cameră ambientală s-a implementat în timp real estimarea direcției de atenție utilizând localizarea pupilei. S-a folosit un algoritm cunoscut de detecție a elipselor, s-a aplicat o matrice de transformare specifică dispozitivului, iar direcția de atenție estimată a fost suprapusă peste imaginea de ambiant prin adnotarea cu un cursor.
Contribuțiile enumerate mai sus se pot constitui într-un material documentar, util pentru fundamentarea de perspectivă a implementărilor tehnologiilor biometrice în aplicații militare.
49/51
9.BIBLIOGRAFIE
[1]M. Bulea, “Images Preprocessing and forms recognizing. Theory and Applications”, Romanian Academy Publishing House, Bucharest, ISBN 973-27-1000-4003, 2003
[2]Vedinas, C. Spulber, E. Cretu, O. Borcan, “Optoelectronic amplifications devices and conversion of infrared radiation”, Millitary Technical Academy Publishing House, pp. 223, ISBN 973-8290-63-5, 2002
[3]C.G. Vasile, “Iris recognizing. General prezentation and applications, results obtained with an experimental model”, The XXXII Communication Session of Institute for Advanced Technologies, Bucharest, 2004
[4]Belhumeur, P.N., Hespanha, J.P., and Kriegman, D.J. (1997) Eigenfaces vs. Fisherfaces: Recognition using class-speci_c linear projection. Trans. Pat. Anal. Mach. Intell
[5]J. Daugman, “Probing the uniqueness and randomness of IrisCodes: Results from 200 billion iris pair comparisons,” Proc. IEEE, vol. 94, no. 11, pp. 1927–1935, Nov. 2006
[6]P. Indyk and R. Motwani, “Approximate nearest neighbors: Towards removing the curse of dimensionality,” in Proc. 30th Annu. CMSymp
[7]N. Otsu. “A threshold selection method from gray-level histograms”. Automatica, 11:285-296, 1976
[8]T. Min and R. Park, “Eyelid and eyelash detectionmethod in the normalized iris image using the parabolic hough model otsu’s thresholding method”. Pattern Recognition Letters, 30(12):1138-1143, 2009
[9]M. Datar, N. Immorlica, P. Indyk and V.S. Mirrokni, “Locality-sensitive hashing scheme based on p-stable distributions”, Proc. 12th Symposium Computational Geometry,2004
[10]S. G. Kong, J. Heo, B. R. Abidi, J. Paik, and M. A. Abidi, "Recent Advances in Visual and Infrared Face Recognition – A Review," Computer Vision and Image Understanding, Vol. 97, No. 1, pp.103-135, January 2005
[11]W. Jiang and S. G. Kong, "Block-based Neural Networks for Personalized ECG Signal Classification," Accepted for Publication, IEEE Transactions on Neural Networks, 2007
[10]Părăian A.M., Interfata de realitate virtuala pentru aplicații ingineresti cu modalitati de interactiune co-localizate in scena virtuala,Universitatea Transilvania Brasov,2011
[12]Ranger, N.S., Goodale, Buckingham, G., M.A:, The role of vision in detecting and correcting fingertip force errors during object lifting. Journal of Vision (2011) 11(1):4, pp. 1–14
[13]David Iclanzan and D. Dumitrescu, (Iclanzan, Dumitrescu, 2007), Overcoming hierarchical difficulty by hill-climbing the building block structure. In Dirk Thierens et al., editor, GECCO ’07: Proceedings of the 9th annual conference on Genetic and Evolutionary Computation, volume 2, pages 1256–1263, London, 7-11 July 2007. ACM Press. ISBN 978-1-59593-697-4. URL http://www.cs.bham.ac.uk/wbl/biblio/gecco2007/docs/p1256.pdf.
[14]Catalin Stoean, Mike Preuss, Ruxandra Stoean, D. Dumitrescu, (Stoean et al, 2008), EA-Powered Basin Number Estimation by Means of Preservation and Exploration, Parallel Problem Solving from Nature – PPSN X, Lecture Notes in Computer Science, Springer Berlin / Heidelberg, vol. 5199, pp 569-578, 2008, ISBN 978-3-540-87699-1
50/51
[15]C. Chira, C.-M. Pintea, D. Dumitrescu, (Chira et al, 2008), Stigmergy and Sensitivity in Heterogeneous Agent-Based Models, Workshop on Natural Computing and Applications, Proceedings of the 10th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC 2008), September 26-29,Timișoara, Romania, 2008, p.13-17
[16]A. Gog, C. Chira, D. Zaharie, D. Dumitrescu, (Gog et al, 2008a), Analysis of a Distributed Collaborative Evolutionary Algorithm, Workshop on Natural Computing and Applications, Proceedings of the 10th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC 2008), Timișoara, Romania, September 26-29, 2008, p. 25-32
[17]Diosan L., Dumitrescu D., Evolutionary coalition formation in full connected and scale free networks, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL, 3, 259-264, 2008 (ISI journal)
[18]E. Kaslik, S. Balint, (Kaslik, Balint, 2008a) Bifurcations in Discrete-Time Delayed Hopfield Neural Networks of Two Neurons. In V. Kurkova, R. Neruda, and J. Koutnik (Eds.): Proceedings of ICANN 2008, Part II, LNCS 5164. Springer-Verlag Berlin Heidelberg, 2008, 655-664
[19]M. Nicoara, (Nicoara, 2008) Comparative analysis of some metaheuristics inspired by nature, Master thesis, Universitatea de Vest din Timisoara, iulie 2008
[20]D. Zaharie, (Zaharie, 2008a) Statistical properties of differential evolution and related random search algorithms, invited paper, in Paula Brito (ed.) Proceedings of International Conference on Computational Statistics Porto, Portugal, August 24-29, Physica-Verlag HD, ISBN978-3-7908-2083-6, pg. 473-485, 2008 M. Darau, E. Kaslik, S. Balint, (Darau, Kaslik, Balint 2008) Cryptography using chaotic discrete-time Hopfield neural networks with delays, Mathematical Problems in Engineering, Aerospace and Sciences, June 25-27, 2008, Italy
[21]L. Braescu, T. F. George, C. Orbulescu and M. Leretter, (Braescu, 2008) Dynamics of Thrombin Formation Using a Mathematical Model Including Both Intrinsic and Extrinsic
Pathways of Blood Coagulation, Conf. on Differential Equations and Dynamical Systems, 22.05.08-26.05.08, Baltimore, USA, in Dynamics of Continuous, Discrete and Impulsive Systems (Series A)
[22]C. Craciun, (Craciun, 2008) Unsupervised document clustering with ART, Summer School on Neural Networks, 7-11 iulie 2008, Porto
[23]Face Recognition Homepage: www.face-rec.org/databses
[24]Cursuri master Academia Tehnică Militară-București 2010
51/51
BIBLIOGRAFIE
[1]M. Bulea, “Images Preprocessing and forms recognizing. Theory and Applications”, Romanian Academy Publishing House, Bucharest, ISBN 973-27-1000-4003, 2003
[2]Vedinas, C. Spulber, E. Cretu, O. Borcan, “Optoelectronic amplifications devices and conversion of infrared radiation”, Millitary Technical Academy Publishing House, pp. 223, ISBN 973-8290-63-5, 2002
[3]C.G. Vasile, “Iris recognizing. General prezentation and applications, results obtained with an experimental model”, The XXXII Communication Session of Institute for Advanced Technologies, Bucharest, 2004
[4]Belhumeur, P.N., Hespanha, J.P., and Kriegman, D.J. (1997) Eigenfaces vs. Fisherfaces: Recognition using class-speci_c linear projection. Trans. Pat. Anal. Mach. Intell
[5]J. Daugman, “Probing the uniqueness and randomness of IrisCodes: Results from 200 billion iris pair comparisons,” Proc. IEEE, vol. 94, no. 11, pp. 1927–1935, Nov. 2006
[6]P. Indyk and R. Motwani, “Approximate nearest neighbors: Towards removing the curse of dimensionality,” in Proc. 30th Annu. CMSymp
[7]N. Otsu. “A threshold selection method from gray-level histograms”. Automatica, 11:285-296, 1976
[8]T. Min and R. Park, “Eyelid and eyelash detectionmethod in the normalized iris image using the parabolic hough model otsu’s thresholding method”. Pattern Recognition Letters, 30(12):1138-1143, 2009
[9]M. Datar, N. Immorlica, P. Indyk and V.S. Mirrokni, “Locality-sensitive hashing scheme based on p-stable distributions”, Proc. 12th Symposium Computational Geometry,2004
[10]S. G. Kong, J. Heo, B. R. Abidi, J. Paik, and M. A. Abidi, "Recent Advances in Visual and Infrared Face Recognition – A Review," Computer Vision and Image Understanding, Vol. 97, No. 1, pp.103-135, January 2005
[11]W. Jiang and S. G. Kong, "Block-based Neural Networks for Personalized ECG Signal Classification," Accepted for Publication, IEEE Transactions on Neural Networks, 2007
[10]Părăian A.M., Interfata de realitate virtuala pentru aplicații ingineresti cu modalitati de interactiune co-localizate in scena virtuala,Universitatea Transilvania Brasov,2011
[12]Ranger, N.S., Goodale, Buckingham, G., M.A:, The role of vision in detecting and correcting fingertip force errors during object lifting. Journal of Vision (2011) 11(1):4, pp. 1–14
[13]David Iclanzan and D. Dumitrescu, (Iclanzan, Dumitrescu, 2007), Overcoming hierarchical difficulty by hill-climbing the building block structure. In Dirk Thierens et al., editor, GECCO ’07: Proceedings of the 9th annual conference on Genetic and Evolutionary Computation, volume 2, pages 1256–1263, London, 7-11 July 2007. ACM Press. ISBN 978-1-59593-697-4. URL http://www.cs.bham.ac.uk/wbl/biblio/gecco2007/docs/p1256.pdf.
[14]Catalin Stoean, Mike Preuss, Ruxandra Stoean, D. Dumitrescu, (Stoean et al, 2008), EA-Powered Basin Number Estimation by Means of Preservation and Exploration, Parallel Problem Solving from Nature – PPSN X, Lecture Notes in Computer Science, Springer Berlin / Heidelberg, vol. 5199, pp 569-578, 2008, ISBN 978-3-540-87699-1
50/51
[15]C. Chira, C.-M. Pintea, D. Dumitrescu, (Chira et al, 2008), Stigmergy and Sensitivity in Heterogeneous Agent-Based Models, Workshop on Natural Computing and Applications, Proceedings of the 10th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC 2008), September 26-29,Timișoara, Romania, 2008, p.13-17
[16]A. Gog, C. Chira, D. Zaharie, D. Dumitrescu, (Gog et al, 2008a), Analysis of a Distributed Collaborative Evolutionary Algorithm, Workshop on Natural Computing and Applications, Proceedings of the 10th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC 2008), Timișoara, Romania, September 26-29, 2008, p. 25-32
[17]Diosan L., Dumitrescu D., Evolutionary coalition formation in full connected and scale free networks, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL, 3, 259-264, 2008 (ISI journal)
[18]E. Kaslik, S. Balint, (Kaslik, Balint, 2008a) Bifurcations in Discrete-Time Delayed Hopfield Neural Networks of Two Neurons. In V. Kurkova, R. Neruda, and J. Koutnik (Eds.): Proceedings of ICANN 2008, Part II, LNCS 5164. Springer-Verlag Berlin Heidelberg, 2008, 655-664
[19]M. Nicoara, (Nicoara, 2008) Comparative analysis of some metaheuristics inspired by nature, Master thesis, Universitatea de Vest din Timisoara, iulie 2008
[20]D. Zaharie, (Zaharie, 2008a) Statistical properties of differential evolution and related random search algorithms, invited paper, in Paula Brito (ed.) Proceedings of International Conference on Computational Statistics Porto, Portugal, August 24-29, Physica-Verlag HD, ISBN978-3-7908-2083-6, pg. 473-485, 2008 M. Darau, E. Kaslik, S. Balint, (Darau, Kaslik, Balint 2008) Cryptography using chaotic discrete-time Hopfield neural networks with delays, Mathematical Problems in Engineering, Aerospace and Sciences, June 25-27, 2008, Italy
[21]L. Braescu, T. F. George, C. Orbulescu and M. Leretter, (Braescu, 2008) Dynamics of Thrombin Formation Using a Mathematical Model Including Both Intrinsic and Extrinsic
Pathways of Blood Coagulation, Conf. on Differential Equations and Dynamical Systems, 22.05.08-26.05.08, Baltimore, USA, in Dynamics of Continuous, Discrete and Impulsive Systems (Series A)
[22]C. Craciun, (Craciun, 2008) Unsupervised document clustering with ART, Summer School on Neural Networks, 7-11 iulie 2008, Porto
[23]Face Recognition Homepage: www.face-rec.org/databses
[24]Cursuri master Academia Tehnică Militară-București 2010
Copyright Notice
© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.
Acest articol: Studiu Privind Optimizarea Tehnicilor Biometrice Mixte Prin Utilizarea Metodelor de Inspiratie Naturala (ID: 163807)
Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.