Алгоритмы распознавания и модели цифровой обработки динамических телевизионных изображений

Бесплатно
Работа доступна по лицензии Creative Commons:«Attribution» 4.0
Лоханов Александр Васильевич
Бесплатно
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

Введение ………………………………………………………………………………………………………….. 4

Глава 1 Современные методы и средства распознавания, контроля и
обработки телевизионных изображений ………………………………………………………. 14

1.1 Цифровые системы, устройства и технологии контроля и распознавания
полутоновых телевизионных изображений …………………………………………………… 14

1.2 Методы распознавания, модели и особенности построения алгоритмов
контроля и обработки телевизионных изображений ……………………………………… 21

1.3 Постановка задачи ………………………………………………………………………………….. 35

1.4 Выводы по 1-ой главе ……………………………………………………………………………… 37

Глава 2 Исследование и разработка методов и средств информационно-
технологического обеспечения процессов идентификации, контроля и
обработки телевизионных изображений ………………………………………………………. 38

2.1 Обоснование технологии выбора процесса распознавания и обработки
телевизионных изображений ………………………………………………………………………… 38

2.2 Исследование и разработка информационно-технологической модели и
алгоритмов распознавания и обработки телевизионных изображений …………… 40

2.3 Исследование и разработка средств программного обеспечения удаленного
контроля, диагностики и обработки телевизионных изображений …………………. 45

2.4 Выводы по 2-й главе ……………………………………………………………………………….. 58

Глава 3 Исследование и разработка средств технического и методического
обеспечения процессов распознавания, контроля, диагностики, испытания и
управления видеосистемами …………………………………………………………………………. 59

3.1 Разработка структуры информационно-технических средств визуализации
процессов распознавания, контроля, диагностики и испытания видеосистем … 59
3.2 Разработка средств информационно-программного кодирования для
взаимодействия элементов визуализации с элементами интерактивного
управления видеосистемами …………………………………………………………………………. 66

3.3 Разработка методики управления средствами видеоконтроля процессов
распознавания ………………………………………………………………………………………………. 83

3.4 Выводы по 3-ей главе ……………………………………………………………………………. 113

Глава 4 Экспериментальные исследования и внедрение в промышленности
алгоритмов и моделей процессов распознавания динамических
телевизионных изображений ………………………………………………………………………. 114

4.1 Результаты экспериментальных исследований средств распознавания,
контроля и обработки телевизионных изображений ……………………………………. 114

4.2 Внедрение результатов исследования в промышленности и в учебный
процесс ………………………………………………………………………………………………………. 133

4.3 Выводы по 4-й главе ……………………………………………………………………………… 135

Заключение ………………………………………………………………………………………………….. 137

Список литературы……………………………………………………………………………………… 140

Приложение А. Свидетельства о государственной регистрации программ для
ЭВМ (справочное) ……………………………………………………………………………………….. 161

Приложение Б. Акт о внедрении результатов кандидатской диссертации в
учебный процесс (справочное) ……………………………………………………………………. 165

Приложение В. Акт о практическом использовании результатов
диссертационных исследований в инновационной научной деятельности
(справочное)…………………………………………………………………………………………………. 166

Приложение Г. Дипломы (справочное) ………………………………………………………. 168

Приложение Д. Акты внедрения (справочное) …………………………………………… 169

Во введении обосновывается актуальность темы исследования и степень её
разработанности, определяется цель работы и подлежащие решению задачи,
сформулирована научная новизна, теоретическая и практическая значимость
работы, изложены используемые методы и средства исследования, обоснованы
положения, выносимые на защиту, а также степень достоверности и примеры
апробации достигнутых результатов.
В первой главе отражены “современные методы и средства распознавания,
контроля и обработки телевизионных изображений”, выполнено аналитическое
исследование известных цифровых систем, устройств и технологий контроля, а
также методов, моделей и алгоритмов обработки и распознавания полутоновых
изображений при выполнении процедуры биометрической идентификации
человека по изображению лица, например, при наличии единичного
низкокачественного эталона. Определены научные задачи, подлежащие решению в
процессе научно-теоретических и научно-прикладных исследований.
Показано, что известные методы и средства подразделяются на общую группу
и группу специализированных методов. При этом общие методы характеризуются
универсальностью применения, так как используются для распознавания
произвольных объектов, а не только лиц (см., например, рисунок 1). К их числу
отнесены методы главных компонент, линейного дискриминантного анализа,
оптического потока, марковских моделей, нейросетевые методы.
Специализированные методы оперируют признаками, характерными именно
для лица человека, разработаны для решения узкой задачи и, как правило,
принципиально неприменимы для распознавания других объектов. К их числу
отнесены методы анализа геометрических характеристик лица, сравнения эталонов,
сравнения трехмерных моделей, гибридные и глобальные методы, метод сравнения
эластичных графов (см. рисунки 2 и 3).

Рисунок 1 – Лицеподобные формы собственных векторов.
Рисунок 2 – ЭластичныйРисунок 3 – Идентификационные точки и расстояния, наиболее
граф, покрывающийчасто применяемые при построении автоматизированных систем
изображение лица.идентификации.

Например, в последнем случае процесс распознавания неизвестного лица
I
состоит в сравнении графа изображения лица G со всеми остальными графами из
набора B при помощи функции подобия:

()(x − x )
 B 2

 max (S (J)) − E 
I
SB G , B =
II
,JBmee
Nn
m
nn
e(x )
B 2
e,
где N – количество вершин, E – количество граней,  – коэффициент относительной
важности топографической информации.
К настоящему времени в габитоскопии (науке о внешнем облике человека,
методах собирания и использования данных) накоплен значительный объем знаний
о биометрических инвариантных признаках лиц людей и предлагается использовать
десятки и сотни признаков, допускающих достоверное описание внешнего облика
для распознавания лицо конкретного человека.
Однако следует заметить, что теория распознавания образов рекомендует
относиться к проблеме выбора признаков с особым вниманием. От выбора
признаков существенно зависит вычислительная сложность алгоритмов
распознавания объектов, а также эффективность применения информационно-
технологических моделей и средств. Поэтому в работе определены
специализированные правила построения модели и конкретизированной структуры
средств программно-алгоритмического обеспечения оптико-электронной системы
обнаружения и распознавания образов.
Во второй главе отражены результаты “исследования и разработки методов
исредствинформационно-технологическогообеспеченияпроцессов
идентификации, контроля и обработки телевизионных изображений”, обоснована
технология выбора процесса распознавания и обработки изображений, а также
разработаны информационно-технологические модели, алгоритмы и средства
программного обеспечения удаленного контроля, диагностики и обработки
изображений
Основу технологии выбора процесса распознавания на этапе нормализации
входного изображения составляет алгоритм анализа изображения с возможностью
маршрутизации процесса. Входными данными для алгоритма анализа и
маршрутизации являются:
а) не менее двух видеокадров, поступающих из передающей части системы
видеорегистрации;
б) информация о положении объектов относительно кадра (силуэтная маска –
ограничивающий прямоугольник).
Алгоритм анализа изображения с возможностью маршрутизации основан на
процедуре слежения за точечными особенностями изображения, при этом под
точечной особенностью понимается точка изображения, окрестность которой
отличается от окрестности любой другой точки в некоторой обособленной
окрестности данной особой точки.
Рассмотрены математические модели и алгоритмы решения задачи
построения помехоустойчивой системы распознавания образов на телевизионных
изображениях, при этом предложена следующая последовательность действий.
Имеется совокупность { э } эталонных классов. Требуется определить
принадлежность некоторого тестового объекта т одному из уже имеющихся
классов или же установить факт отсутствия этого объекта в любом из них.
Формируется базисное понятие – «методика», то есть некоторый сравнительно
простой алгоритм классификации объектов по эталонным классам. В основу
положена гипотеза, состоящая в том, что, если тестовый объект соответствует
некоторому эталонному классу, то значительное число используемых методик
обладает свойством высокой степени похожести – так называемый согласованный
результат. Если тестовый объект не соответствует эталонному классу, то
результаты использования методик будут несогласованными. К избираемому
множеству методик предъявляются следующие требования: во-первых, методики
должны оценивать объект, основываясь на различающихся принципах; во-вторых,
методики должны носить универсальный характер, то есть не должны быть
отнесены к конкретному типу объектов, что означает принципиальную
невозможность применения процедуры обучения. Для разрешения возникающей
проблемы описания класса необходимо ограничиться понятием описания, как
предъявлением множества изображений, входящих в него объектов. Данное
предложение обеспечивает возможность разработки алгоритма распознавания,
представленного на рисунке 4, в соответствии со следующей процедурой.
Этап обнаружения объекта. Разработанный алгоритм обнаружения и
детектирования лиц является модернизацией алгоритмов по методу Виола-Джонса,
при этом введено понятие интегрального изображения. Каждый пиксель
интегрального изображения представляет собою сумму значений всех пикселей
исходного изображения, расположенных выше и левее текущего пикселя для
представления исходного изображения, позволяющее осуществить быстрое
вычисление характерных черт (особенностей), используемых при классификации
изображения.
начало

Входное
изображение

Обнаружение
объекта

Нормализация
изображения

Трансформация1Трансформация2ТрансформацияN
Методикаm

Методикаm

Методикаm
Методика1

Методика2

Методика1

Методика2

Методика1

Методика2

…………

Список ближайшихСписок ближайшихСписок ближайших

Принятие
решения

конец

Рисунок 4 – Обобщенный алгоритм функционирования системы распознавания.

Этап нормализации входного изображения состоит в анализе и
маршрутизации обнаруженного объекта, входными данными при этом являются
пара видеокадров с передающей части системы, и информация о положении
объектов относительно кадра (силуэтная маска – ограничивающий прямоугольник).
Разработанный алгоритм анализа изображения с возможностью
маршрутизации основан на процедуре слежения за точечными особенностями
изображения. Процедура слежения, использованная в системе, позволяет находить
точечные особенности изображения на кадре из видеопотока и обеспечивать их
сопоставление на двух последовательных кадрах с целью определения смещения
точечных особенностей сцены за промежуток времени между этими кадрами.
Этап формирования признакового описания лица. В данном случае
разработана последовательность действий в пределах каждой методики, а именно:
1) трансформация, при этом входное изображение обрабатывается фильтром
(комбинацией фильтров) общего назначения;
2) признаковое описание, при этом формируется набор чисел,
характеризующих входное изображение (вектор, гистограмма, пакет);
3) сравнение, при этом, как правило, используется метрический способ
сравнения полученных числовых характеристик.
Пример построения методики, основанной на дискретном косинусном
преобразовании (ДКП), состоит в следующем:
– изображение не преобразуется или к изображению применяется гауссов
фильтр (размытие);
– к изображению применяется разновидность Фурье-преобразования,
например, ДКП;
– к изображению применяется синус–метрика.
В методике ДКП изображение рассматривается как совокупность
пространственных волн, для которых оси X и Y проводятся параллельно
продольной и поперечной осям, а по оси Z откладываются значения яркости
соответствующего пикселя изображения (см. рисунок 5).
Для дискретного косинусного преобразования изображения × получено
выражение вида:
M −1 N −1
 (2 x + 1)u   (2 y + 1)v 
C (u, v) =  (u ) (v)  I [ x, y ] cos  cos  2 N ,
x =0 y =02 M
где [ , ] – яркость пикселя ( , ),
 11
,u = 0,v = 0
 MN
 (u ) = ,  (v ) = .
 2 , u = 1,2,…, M − 12
, v = 1,2,…, N − 1

 M
N

В качестве метрики для вычисления расстояния между векторами признаков
(ВП) используется значение синуса угла между данными векторами:
〈ℎ 1 ,ℎ2 〉2
1 , ℎ2 ) = √1 − 2 (ℎ̂
(ℎ1 , ℎ2 ) = sin(ℎ̂1 , ℎ 2 ) = √1 − [
‖ℎ1 ‖∙‖ℎ2 ‖
] .
Особенностью методики состоит в том, что при построении ВП структура
поля изображения не анализируется и подвергается сканированию целиком
(принцип структурной минимальности) (см. рисунок 6). Данный подход к
построению ВП, обеспечивает устойчивость процедуры построения к искажениям
и дефектам.
В качестве ВП используется не весь результат дискретного косинусного
преобразования изображения человеческого лица, а только некоторая его часть.
Низкочастотные коэффициенты в наибольшей степени определяют основные черты
изображения. Высокочастотные коэффициенты соответствуют мелким деталям
изображения. Остальные разработанные методики обладают аналогичными
свойствами.
Результат
ДКП-преобразованияПараметры (количество
используемых коэффициентов)

Формирование
Преобразование
вектораВектор
Изображениеизображения
признаковпризнаков

ДКП

Нумерация

Рисунок 5 – ПорядокРисунок 6 – Схема формирования вектора признаков при
нумерации элементов.использовании ДКП.

Предложено дополнить стандартные методики группой методик, основанных
на пакетном принципе сравнения. Например, известно, что при изучении текстуры
изображения применяется метод, основанный на анализе семейства изображений,
полученных с помощью различных фильтров как комбинация искажений
анализируемого изображения. Данный принцип предлагается распространить на
распознавание лиц. В качестве искажений применяются гауссовы фильтры, набор
которых строится на основе двух групп параметров. Одна группа — это параметры
самих гауссовых фильтров, другая группа – это весовые коэффициенты, с которыми
первые включаются в линейную комбинацию. При этом предлагается исключить
настройку по второй группе параметров, принципиально рассматривая все
возможные линейные комбинации изображений, к которым применены гауссовы
фильтры из заранее фиксированного набора. Как было указано выше, для сравнения
в метрике используются не сами изображения, а результаты их сканирования-
сжатия (например, векторы, состоящие из части коэффициентов дискретного
косинусного преобразования), то есть на картах размером 256х256 пикселей
выбираются порядка 200 коэффициентов. Таким образом, формируется объект,
который определяется как «пакет». При этом возникает значительное число
возможных вариантов построения «пакетов», в которых допускается
комбинирование последовательности применения преобразующих фильтров,
различных приемов сканирования-сжатия и т. д.
Процедура построения «пакета» заключается в следующем. Пусть 1 , … , –
это векторы признаков, полученные в результате сканирования-сжатия (с помощью
ДКП), а – это линейное пространство, образованное данными векторами. Если
для его нахождения применить стандартную ортогонализацию, то
ортонормированный базис 1 , … , пространства будет являться «пакетом».
При сравнении «пакетов», полученных подобным образом, необходимо
использовать специальную метрику – она должна характеризовать расстояние
между соответствующими линейными пространствами. Наилучшим образом для
этого подходит метрика на основе определителя Грама. Для упомянутого набора
векторов 1 , … , определитель Грама задается формулой: Г( 1 , … , ) =
det(〈 , 〉) – определитель матрицы, составленной из скалярных произведений.
Пусть имеется два пространства (пакета) и ′ , построенных на наборах
векторов 1 , … , и +1 , … , + . Тогда справедливо неравенство
Г( 1 , … , + ) ≤ Г( 1 , … , ) ∙ Г( +1 , … , + ).
Равенство возможно в тех случаях, когда пространства и ′ ортогональны
или один из определителей равен нулю. Так как зачастую на доступных
изображениях оба случая практически не реализуемы, то расстояние между
пространствами и ′ следует определить следующим образом
Г( 1 ,…, + )
, =.
Г( 1 ,…, )∙Г( +1 ,…, + )
Возможность применения подобных моделей предопределена, в том числе,
тем обстоятельством, что изображения из базы данных зачастую получены при
совсем других условиях освещения и качестве съемки.
В третьей главе отражены результаты “исследования и разработки средств
технического и методического обеспечения процессов распознавания, контроля,
диагностики, испытания и управления видеосистемами”, обоснована структура
информационно-технических средств визуализации процессов распознавания,
контроля, диагностики и испытания видеосистем, разработаны средства
информационно-программного кодирования при взаимодействии элементов
визуализации с элементами интерактивного управления видеосистемами,
предложена методика управления средствами видеоконтроля процессов
распознавания.
Система реализуется в составе следующих подсистем: регистрации,
распознавания, управления, интеграции и пользовательского интерфейса.
Конструктивно, каждая подсистема состоит из набора компонент – сборок
.NET, исполняемых файлов, файлов конфигурации, баз данных, динамических
библиотек и т.п. Размещение компонент по узлам зависит от функций,
выполняемых каждой подсистемой в составе того или иного узла. При этом
некоторые компоненты связаны с внешними службами, дополнительно
инсталлируемыми на соответствующих узлах.
Подсистема регистрации предназначена для получения видеоданных с
устройств передающей части системы, их декодирования и последующего анализа
с целью обнаружения лиц людей в зоне наблюдения. В задачи подсистемы
регистрации также входит ведение архивной базы данных и видеозапись.
Подсистема регистрации является источником данных для ключевых
функций комплекса, поэтому она тесно интегрирована со всеми остальными
подсистемами. В состав подсистемы входят компоненты, изображенные на рисунке
7.

Рисунок 7 – Подсистема регистрации.

Подсистема распознавания предназначена для идентификации личности
человека по изображению лица, фиксируемого подсистемой регистрации. Также в
числозадачподсистемывходит обслуживаниеоперативнойбазы
идентифицируемых личностей.
Подсистема управления объединяет несколько разнообразных компонент,
выполняющих различные служебные функции, необходимые для продуктивной
работы остальных подсистем (см. рисунок 8).
Подсистема интеграции предназначена для сопряжения системы с внешними
средствами безопасности и контроля доступа. Сопряжение обеспечивается путем
трансляциивидеоданных,полученныхот подсистемырегистрации,
сопутствующих данных об обнаруженных объектах, а также информации о
событиях распознавания и решениях, принимаемых оператором (см. рисунок 9).
Подсистема интеграции осуществляет трансляцию этих данных посредством
разработанных протоколов.
Подсистема управления

IConfigurationService
AD LDSКонфигурацияБезопасностьКонвейерDirectShow

IBootstrapService
ЗагрузкаСервисы

ILogService
Windows
ПротоколХост
Event Log

Рисунок 8 – Подсистема управления.

TCP / UDP
Подсистема интеграции
Регистрация

Видеотрансляция

Управление
Сопряженная
система

Трансляция
Распознавание
событий

TCPIPersonIdentificationCallback

IEventSourceService
IIntegrationService

IIntegrationServiceПользовательский
интерфейс

Рисунок 9 – Подсистема интеграции.

Подсистема пользовательского интерфейса представляет собой средство
взаимодействия обслуживающего персонала со всеми подсистемами для
использования комплекса по назначению. Задачей подсистемы является наиболее
полное отображение информации о функционировании всех модулей АПК как
программных, так и аппаратных, а также обеспечение удобства выполнения
функций оператором (см. рисунок 10).
В четвертой главе отражены результаты экспериментального исследования
средств распознавания, контроля и обработки изображений, а также внедрения в
учебный процесс и в промышленности разработанных аппаратно-программных
средств, алгоритмов и моделей процессов распознавания динамических
телевизионных изображений.
Обобщены и проанализированы результаты лабораторных и натурных
испытаний АПК по распознаванию лиц, выполненные в ВлГУ и на станции метро
«Ладожская» в г. Санкт-Петербург (см. рисунок 11). Дана оценка выявленным
недостаткам системы, их причинам и проведена модернизация АПК. Результаты
испытаний зафиксированы на видеозаписях. Проведены экспериментальные
исследования разработанных аппаратно-программных средств в сравнении с
известными системами на основе «SDK Cognitec Systems GmbH».

Рисунок 10 – Программная реализация – интерфейс приложения.

Обобщенная схема функционирования программного обеспечения
модернизированного АПК представлена на рисунке 12, при этом:
– кадры с каждой из двух камер (в турникете и на колонне) независимо
обрабатываются детектором лиц; результаты обработки отображаются на экране
монитора оператора в окне просмотра видеоизображения в виде «рамки»,
ограничивающей лицо;
– обнаруженные изображения лиц поступают в общую очередь регистрации,
последовательно записываются в базу данных АПК и отображаются в интерфейсе
оператора как детектированные лица;
– после записи в базу данных изображение поступает в один из 10-ти
параллельных потоков распознавания, при этом в каждом из потоков выполняется
обработка изображения с извлечением биометрических параметров и
характеристик по 5-ти методикам, а также поиск эталонов по базе данных;
– по завершении процедуры распознавания выполняется сохранение
результатов поиска в базе данных АПК и отображение результатов на экране
монитора оператора.
Сравнительные испытания выполнены в трёх режимах, которые получили
условные наименования – «кривое зеркало», «наложение тумана» и «фотороботы»
(см. рисунок 13).
Камера 1Камера 2

Детектирование лиц,Детектирование лиц,
отображение «рамок»отображение «рамок»

Регистрация детектированных лиц в базе данных

РаспознаваниеРаспознаваниеРаспознавание
лица 1лица 2…лица 10

Сохранение результатов распознавания,
отображение их оператору

Рисунок 11 – Монтаж камеры в турникетеРисунок 12 – Схема функционирования
станции метро «Ладожская», г. Санкт-программного обеспечения в ходе испытаний.
Петербург.

а)б)

Рисунок 13 – Вариант искажений «кривое зеркало» (а) и наложение маски «туман» (б).
Проблемы, которые выявились в результате экспериментов, подтвердили, что
аппаратно-программные решения, построенные на использовании известных
средств типа “SDK COGNITEC FaceVACS 8.4”, эффективны лишь в ординарной
обстановке. Однако в условиях хаотичности пространственного перемещения,
визуального однообразия и многочисленности единовременно контролируемых
субъектов съемки при недостаточной освещенности, при наличии визуальных
искажений телевизионного изображения и низком качестве эталонных фото
возникают затруднения в применении известных систем. Показано, что
достоверный результат распознавания лиц обеспечивается применением набора
алгоритмов, оценивающих, например, только текстурное содержание фото. Данные
испытаний подтверждают целесообразность применения универсальной
платформы разработанного комплекса, который базируется на принципе
использования многочисленных разноплановых аппаратно-программных средств и
инструментов.Приэтомуниверсальнаяплатформадополняет
узкоспециализированные методы.
В заключении сформулированы основные результаты диссертационного
исследования:
– исследованы методы и средства процесса распознавания и обработки
телевизионных изображений, разработана структура процедуры распознавания
лица человека на цифровом изображении;
– предложены новые информационно-технологические модели и алгоритмы
распознавания и обработки телевизионных изображений, обоснованы этапы
предварительной подготовки изображения, определена эффективность применения
методов признакового описания;
– исследованы и разработаны средства программного обеспечения удаленного
контроля, диагностики и обработки телевизионных изображений, проработан
способпакетногосравненияэталонныхитестовыхизображений,
предопределяющий процедуру предварительного применения трансформаций;
– разработана структура информационно-технических средств визуализации
процессов распознавания, контроля, диагностики и испытания видеосистем,
выполнено проектирование программной части системы, проведена декомпозиция
на подсистемы и модули;
– реализованы средства информационно-программного кодирования для
взаимодействия элементов визуализации с элементами интерактивного управления
видеосистемами, определен состав средств системного программного обеспечения;
– предложена методика управления средствами видеоконтроля процессов
распознавания, выполнена программная реализация алгоритмов и структуры
данных, входящих в состав разработанных модулей;
– реализованы программы и база данных для ЭВМ, вошедшие в состав АПК
«Стенд»,аименно,программаполуавтоматическойаппроксимации
экспериментальных данных базисным набором гауссиан (см. Свидетельство №
2017611477); программное обеспечение автоматизированного тестирования
алгоритмов распознавания лиц (см. Свидетельство №2014612123); модульная
программа идентификации человека по растровому двумерному изображению лица
(см. Свидетельство №2011611917); база данных биометрических признаков (см.
Свидетельство №2010620768);
– разработан и изготовлен экспериментальный образец АПК «Стенд» для
проведения лабораторных и натурных испытаний в реальных условиях
эксплуатации;
– выполнены экспериментальные лабораторные и натурные исследования
средств распознавания, контроля и обработки телевизионных изображений на
объекте транспортной инфраструктуры метрополитена в г. Санкт-Петербург
(станция “Ладожская”), дан анализ недостатков в работе программного обеспечения
и выполнена доработка аппаратно-программных средств, достигнута вероятность
корректного распознавания лиц при использовании единичных низкокачественных
эталонов до 0,7 … 0,79 (70…79%);
– проведены экспериментальные исследования аппаратно-программных
средств в сравнении с известными системами на основе «SDK Cognitec Systems
GmbH» в условиях неравномерного естественного освещения, перекрытия лиц
субъектов в сплошном потоке пассажиров в «пиковые» часы работы
метрополитена, показаны преимущества разработанных аппаратно-программных
средств;
– подтверждена востребованность и практическая значимость аппаратно-
программных средств обработки динамических телевизионных изображений и
распознавания лиц для использования в инновационной научной, образовательной
и производственной деятельности учебных заведений и промышленных
предприятий.
В качестве рекомендаций по развитию темы предлагается использовать
научно-теоретическиеинаучно-прикладныерезультатыисследования,
достигнутые в диссертационной работе при разработке новых методов и средств
распознавания образов и модернизации известных методов биометрической
идентификации людей, в том числе, при создании систем безопасности и контроля
доступа в охраняемые зоны, а также при организации поиска лиц, находящихся в
розыске.

Актуальность темы исследования, степень её разработанности
Методы и средства цифровой обработки и распознавания изображений
относятся к числу одних из наиболее изучаемых и перспективных направлений
развития телевизионных систем, используемых в различных отраслях народного
хозяйства, и активно модернизируемых с учетом необходимости повышения
качества изображения и помехоустойчивости работы видео устройств
специального назначения [1].
На современном этапе развития телевизионных систем наблюдается
увеличение объема видеоинформации, подлежащей оперативной передачи и
аналитическому исследованию, что предопределяет необходимость повышения
как скорости обработки видеоинформации, так и достоверности распознавания
динамических телевизионных изображений. Например, при передаче цифрового
сигнала цветного изображения скорость видеопотока составляет порядка 216
Мбит/с, а при трансляции видеоизображения высокой четкости скорость передачи
сигнала достигает 1 Гбит/c [2].
Примером востребованности скоростных методов и средств обработки и
достоверного распознавания видеоизображений (образов) являются, как системы
ретрансляции и приема программ цифрового телевидения, так и сигнальные и
охранные системы, системы распознавания лиц, системы кодирования
биометрических данных, системы слежения за подвижными объектами и
субъектами, системы дорожно-патрульной службы для контроля, регистрации и
распознавания дорожно-транспортной обстановки, системы мониторинга
запрещенного видео контента информационных платформ Интернета,
медицинские диагностические системы, системы видео регистрации процессов
электронной микроскопии и быстропротекающих в реальном масштабе времени
научных экспериментов и др. При этом под образами понимаются не только
регистрируемые динамические телевизионные видеоизображения, но и
структурированное описание изучаемого объекта, субъекта или явления,
представленное вектором признаков, каждый элемент которого характеризуется
числовым значением параметров, отображающих конкретные свойства образа.
Наряду с этим и в связи с распространением угрозы террористической
опасности и продвижением в преступной среде противоправных действий с
использованием биометрических данных, возрастает актуальность исследования и
разработки методов и средств оперативной и достоверной цифровой обработки
динамических изображений и распознавания образов в процессе телевизионного
мониторинга городской среды. В контексте данной проблемы ведутся
теоретические и прикладные научные исследования, основанные на использовании
биометрических технологий и направленные на автоматизацию процессов
обнаружения и опознания опасных субъектов в местах массового скопления и
хаотичного перемещения людей, и, в первую очередь, в таких местах, как вокзалы,
аэропорты, метрополитен и торговые центры [3-8].
Под обработкой телевизионных изображений понимается не только
стремление к улучшению их зрительского восприятия, но и процедура
классификации видео субъектов, выполняемая в ходе анализа динамических
изображений. При этом особое внимание уделяется вопросу обеспечения
достоверности автоматизированного распознавания личности человека по
биометрическим признакам относительно эталонных снимков за счет снижения
ошибок 1 рода “False Rejection Rate” (FRR – вероятность отказа «своему») и ошибок
2 рода “False Acceptance Rate” (FAR – вероятность пропуска «чужого»).
Создание подобных систем распознавания отличается определенной
сложностью их воспроизведения, так как проблемы, в основном, группируются в
двух принципиально важных направлениях совершенствования данных систем:
– во-первых, в инженерно-технической области, – в связи с тем, что в
обязательном порядке необходимо обеспечить надлежащую вычислительную
мощность и высокую производительность ключевых функциональных узлов и
блоков системы, а также следует обеспечить высокую разрешающую способность
и чувствительность оптических модулей при регистрации изображений;
– во-вторых, в алгоритмической области, – что обусловлено необходимостью
повышения эффективности функционирования системы за счет модернизации
алгоритмов детектирования и распознавания образов, в том числе, при
использовании узкоспециализированных алгоритмов (типа «только лица»),
основанных на методе сравнения с изменяющейся мерой в виде набора (класса) как
эталонных, так и случайных динамических видеоизображений или снимков
субъекта.
Кроме того, подлежащие решению научные задачи характеризуются, в
определенной степени, свойством двойственности исходных данных, а именно:
– при наличии исчерпывающей совокупности эталонных наборов
необходимо оценить степень схожести некоторого множества регистрируемых
тестовых классов с имеющимися эталонами;
– при наличии ограниченной совокупности эталонов требуется достоверно
констатировать факт принципиального отличия регистрируемых тестовых классов
от доступных эталонных наборов.
Особый вклад в развитие методов и средств цифровой обработки
телевизионных изображений и распознавания образов внесли советские и
российские ученые и их ученики Бакут П.А., Галушкин А.И., Гуляев Ю.В.,
Журавлев Ю.И., Загоруйко Н.Г., Потапов A.A., Снетков В.А., Сойфер В.А., Фурман
Я.А. [9-42], а также такие отечественные и зарубежные авторы расчетных методов,
моделей и алгоритмов, – в том числе, сопровождения объектов и субъектов на
динамичных телевизионных изображениях, – как Алпатов Б.А., Бабаян П.В.,
Визильтер Ю.В., Васильев В.И., Гренандер У., Дуда Р., Кононюк А.Е., Приоров
А.Л., Fisher Y., Khart P., Lucas B.D., Marr D., Kanade Т., Pratt W.K, Roberts L.G.,
Sobel I.E. и др. [43-87]. Например, пакетный способ сопоставления динамичных
телевизионных изображений и регистрируемых образов имеет свою предысторию
[6, 7, 14, 15, 21, 25] и в определенном смысле основан на результатах ряда научных
работ по исследованию текстур. Так при изучении текстуры изображения был
применен метод, базирующийся на анализе семейства изображений, полученных
при комбинации искажений анализируемого изображения с помощью
разнообразных фильтров, при этом комбинация фильтров определялась
интуитивно при зрительном анализе образов (полосы, пятна и т.п.). Задачи,
которые решались в этих работах, не были связаны с распознаванием лиц, но
позволили сделать практические значимые выводы: во-первых, не следует
усложнять фильтры, достаточно в ряде случаев применять линейные комбинации
гауссовых фильтров; во-вторых, по возможности необходимо использовать такие
методы фильтрации, которые генерируют зрительно понятные образы, то есть не
следует отказываться от интуиции.
Учитывая высокий уровень востребованности и степени разработанности
вышеуказанного направления научных исследований, в российских университетах
актуализированы учебно-методические комплексы дисциплин для подготовки
квалифицированных специалистов, владеющих методами и средствами цифровой
обработки телевизионных изображений и распознавания образов [2, 16-19, 28, 29,
35-44, 55-70, 74-78].
Основу современного подхода к решению альтернативных задач составляет
утверждение, состоящее в том, что если тестовый набор в полном объеме
соответствует эталонам, то существенное число известных методик анализа и
оценки изображений обеспечивает высокий уровень достоверности распознавания
образов. Однако в этом случае методики должны обладать принципиальными
структурно-функциональными различиями, носить универсальный характер и не
быть привязаны к конкретному виду изображений, – в результате отпадает
необходимость применения процедуры обучения системы распознавания
изображений. В этом случае наиболее существенными обстоятельствами при
организации натурного эксперимента является качество снимков при недостаточно
устойчивом освещении субъектов и определенная сложность извлечения теста из
непрерывно регистрируемого видео движущегося потока изображений [9-15; 36-
38; 57-60; 78-86].
Объектом диссертационного исследования являются цифровые системы,
устройства и технологии [1, п.5, п.7, п.10] контроля и распознавания полутоновых,
в том числе, цветных телевизионных изображений.
Предметом исследования являются методы, алгоритмы и модели [1, п.4,
п.7] распознавания, контроля и обработки телевизионных изображений и
распознавания лиц.
Цель и задачи исследования – это повышение эффективности и
достоверности обработки и распознавания динамических телевизионных
изображений [1] в условиях хаотичности пространственного перемещения,
визуального однообразия и многочисленности единовременно контролируемых
субъектов съемки.
Для достижения поставленной цели необходимо решить следующие
научные задачи:
1) выполнить аналитические исследования современных методов и
аппаратно-программных средств распознавания телевизионных изображений и лиц
в условиях сложной помеховой обстановки;
2) разработать информационно-технологические модели, алгоритмы и
методики распознавания лиц в условиях пониженной освещенности, при
использовании одиночных архивных эталонов (фото) низкого качества и
полутоновых динамических телевизионных изображений в виде сплошного потока
кадров видеосъемки;
3) выполнить программную реализация алгоритмов, обеспечивающих
распознавание динамических телевизионных изображений, образов и лиц;
4) подготовить опытный образец комплекса и провести лабораторные и
натурные испытания разработанных аппаратно-программных средств обработки
динамических телевизионных изображений и распознавания лиц;
5) реализовать результаты диссертационных исследований в инновационной
научной и образовательной деятельности высших учебных заведений, а также в
научно-производственной деятельности предприятий реального сектора
промышленности.
Отличительная научная новизна результатов решения поставленных задач
состоит в следующем:
– данные аналитического исследования современных методов и аппаратно-
программных средств распознавания телевизионных изображений и лиц в
условиях сложной помеховой обстановки предопределяют возможность
повышения вероятности распознавания в условиях изменения освещения,
оптических искажений и перекрытия объектов за счет применения пакетного
способа сравнения и принципа модульного объединения независимых методик и
искусственных трансформаций регистрируемых изображений;
– результаты разработки информационно-технологических моделей,
алгоритмов и методик распознавания лиц в условиях пониженной освещенности
отличаются возможностью использования одиночных архивных эталонов (фото)
низкого качества и полутоновых динамических телевизионных изображений в виде
сплошного потока кадров видеосъемки за счет структурной минимизации входных
данных и совместного использования нескольких методов распознавания образов
различного типа;
– результаты программной реализации алгоритмов, обеспечивающих
распознавание динамических телевизионных изображений, образов и лиц,
отличаются универсализацией аппаратно-программных средств, а именно,
алгоритмов, реализующих принципы ближайшего соседа и попарного сравнения
регистрируемых изображений с эталонами;
– результаты лабораторных и натурных испытаний разработанных
аппаратно-программных средств обработки динамических телевизионных
изображений и распознавания лиц, вошедших в состав изготовленного образца
комплекса «Стенд», отличаются более высокой достоверностью и
результативностью по сравнению с широко распространенным
узкоспециализированным алгоритмическим комплексом “COGNITEC”;
– результаты разработки комплекса «Стенд» отличаются высокой
востребованностью и практической значимостью аппаратно-программных средств
обработки динамических телевизионных изображений и распознавания лиц для
использования в инновационной научной, образовательной и производственной
деятельности учебных заведений и промышленных предприятий, что
подтверждено актами практического использования и реализации.
Теоретическая и практическая значимость работы
Научно-техническая новизна и практическая значимость достигнутых
результатов диссертационного исследования подтверждены публикациями в
журналах, рекомендованных ВАК, и в сборниках научных трудов, докладами на
научных конференциях международного и российского уровня, а также
государственными Свидетельствами РФ о регистрации программ для ЭВМ.
Разработанные в диссертации алгоритмы, математические и
информационно-технологические модели и аппаратно-программные средства
составили основу перспективной системы распознавания телевизионных
изображений и лиц, созданной в рамках выполнения государственных заданий и
госбюджетных опытно-конструкторских и научно исследовательских работ
«Разработка технических средств распознавания образов по анализу
видеоизображения для автоматизации работы оператора» по Государственному
контракту с Минобрнауки РФ от 17 ноября 2010г. №02.524.11.4010 в рамках
реализации Федеральной целевой программы «Исследования и разработки по
приоритетным направлениям развития научно-технологического комплекса
России». Система реализована и успешно функционирует на опытном образце
аппаратно-программного комплекса в ВлГУ, г. Владимир. Данное обстоятельство
предопределило целесообразность и возможность освоения промышленного
производства разработанных аппаратного-программных средств на предприятиях
региона.
Кроме того, результаты диссертации были положены в основу работ по
государственному заданию ВлГУ (от 17.03.2020 соглашение №075-03-2020-046/1).
Результаты диссертационного исследования востребованы и внедрены в
инновационную научную и образовательную деятельность ВлГУ в г. Владимир, а
также одобрены к промышленной реализации в рамках НИОКР Федерального
казённого предприятия «Государственный лазерный полигон «Радуга» в г.
Радужный Владимирской области, предприятия ООО «Техника и технология» в г.
Владимире и предприятия ООО «РУСОКСИД» в г. Москве на территории
инновационного центра «Сколково», что подтверждено актами практического
использования и реализации.
Методы исследования
При решении поставленных научных задач использовались современные
методы цифровой обработки изображений, компьютерного зрения, распознавания
образов, математического анализа, теории вероятностей и математической
статистики. Для практической реализации алгоритмов применялись современные
численные методы и методы объектно-ориентированного программирования на
языках Matlab, С++, C#.
Положения, выносимые на защиту
По результатам выполненных исследований при решении поставленных
научных задач необходимо отметить следующие достигнутые преимущества:
– результаты аналитического исследования и разработки информационно-
технологических моделей, алгоритмов и методик распознавания лиц при
использовании одиночных архивных эталонов (фото) низкого качества в условиях
пониженной освещенности и сложной помеховой обстановки обеспечивают
повышение вероятности детектирования образов до 0,98 и, в ряде случаев, до 1,00
за счет применения пакетного способа сравнения классов и исключения ложных
срабатываний;
– программная реализация алгоритмов цифровой обработки полутоновых
динамических телевизионных изображений в виде сплошного потока
регистрируемых кадров видеосъемки, обеспечивает повышение
помехоустойчивости системы и вероятности среднего уровня распознавания лиц с
0,65 до 0,79, в том числе, при деградации описания классов;
– опытный образец комплекса аппаратно-программных средств «Стенд» при
проведении лабораторных и натурных испытаний, а также при его применении в
образовательной и производственной деятельности обеспечивает совместное
использование несколько методов распознавания различного типа и повышение
быстродействия процедуры распознавания за счет модульного принципа
построения комплекса, допускающего возможность добавления, исключения или
замены подсистем верхнего уровня.
Степень достоверности и апробация результатов
Достоверность достигнутых научных результатов обусловлена применением
адекватного математического аппарата, что подтверждается согласованностью с
данными компьютерного моделирования и экспериментального исследования
разработанных аппаратно-программных средств, а также непротиворечивостью
при сопоставлении полученных научных результатов с ранее опубликованными
данными известных российских и зарубежных ученых передовых научных школ.
Результаты диссертационного исследования прошли научную экспертизу в
Оргкомитетах, докладывались, обсуждались и опубликованы в сборниках научных
трудов, следующих международных, российских и региональных научных и
научно-прикладных конференций:
─ ХХ международная научно-практическая конференция
«Теоретические и методологические проблемы современных наук», г.
Новосибирск, 2017 г.;
─ Международная конференция по математической теории управления и
механике, г. Суздаль Владимирской области, 2015 г.;
─ XVIII всероссийская научно-методическая конференции
«Телематика’2011», г. Санкт-Петербург, 2011 г.;
─ Региональная научно-практическая конференция «Многоядерные
процессоры и параллельное программирование», г. Барнаул, 2011 г.;
─ XVII Всероссийская научно-методическая конференции
«Телематика’2010», г. Санкт-Петербург, 2010 г.;
─ IX международная научно-практическая конференция «Исследование,
разработка и применение высоких технологий в промышленности», г. Санкт-
Петербург, 2010 г.
Результаты диссертационной работы прошли научную экспертизу в
государственной комиссии по назначению стипендии Президента РФ для
“аспирантов очной формы обучения по имеющим государственную аккредитацию
образовательным программам, соответствующим приоритетным направлениям
модернизации и технологического развития экономики России на 2011-2012 годы”.
Достигнутые научно-технические результаты прошли научно-
общественную экспертизу, отмечены в качестве Победителя программы и явились
основанием для заключения Договора от 21.03.2014г. №1769ГУ1/2014 «Разработка
алгоритмов биометрической идентификации человека в условиях единичного
низкокачественного эталона» с Федеральным государственным бюджетным
учреждением «Фонд содействия развитию малых форм предприятий в научно-
технической сфере» (“Фонд содействия инновациям”) при выполнении научно-
практических работ по Программе «Участник молодежного научно-
инновационного конкурса «УМНИК-2014».
Научно-техническая новизна и практическая значимость результатов
диссертационного исследования подтверждены государственными
Свидетельствами РФ о регистрации программ для ЭВМ:
– Полуавтоматическая аппроксимация экспериментальных данных базисным
набором гауссиан. – Свидетельство о государственной регистрации программ для
ЭВМ № 2017611477; заявлено 05.12.2016 г.; зарегистрировано 03.02.2017 г.;
– Программное обеспечение автоматизированного тестирования алгоритмов
распознавания лиц. – Свидетельство о государственной регистрации программ для
ЭВМ № 2014612123; заявлено 22.10.2013 г.; зарегистрировано 19.02.2014 г.
– Модульная программа идентификации человека по растровому двумерному
изображению лица. – Свидетельство о государственной регистрации программ для
ЭВМ № 2011611917; заявлено 22.11.2010 г.; зарегистрировано 28.02.2011 г.
– База данных биометрических признаков. – Свидетельство о государственной
регистрации программ для ЭВМ № 2011620172; заявлено 22.11.2010 г.;
зарегистрировано 28.02.2011 г.

биометрической идентификации человека в условиях единичного
низкокачественного эталона» с Федеральным государственным бюджетным
учреждением «Фонд содействия развитию малых форм предприятий в научно-
технической сфере» (Фонд содействия инновациям) и успешного выполнения
работ по Программе «УМНИК-2014» (см. Приложение Г).
Разработанная и научно обоснованная система распознавания образов в
условиях единичного низкокачественного эталона, предложенные алгоритмы,
методики, а также их программная реализация подтвердили свою
работоспособность и высокие качественные показатели в ходе проведения
сравнительных испытаний и конкурсов проводимых для тестирования различных
систем распознавания образов.
Результаты работы используются в научно-практической деятельности
магистрантов и аспирантов базовых кафедр ВлГУ, функционирующих на
промышленных предприятиях Владимирской области.
Результаты работы используются или планируются к внедрению на
предприятиях Владимирской области, таких как: в рамках НИР и ОКР проводимых
Федеральным казённым предприятием «Государственный лазерный полигон
«Радуга», г.Радужный Владимирской области, ООО «Техника и технология»,
г.Владимир, и ООО «РУСОКСИД», г.Москва, территория Сколково, что
подтверждается актами практического использования и реализации (см.
Приложение Г).

4.3 Выводы по 4-й главе

1) Разработан и изготовлен опытный образец аппаратно-программного
комплекса «Стенд» для проведения лабораторных и натурных испытаний в
реальных условиях эксплуатации.
2) Выполнены экспериментальные лабораторные и натурные исследования
средств распознавания, контроля и обработки телевизионных изображений на
объекте транспортной инфраструктуры метрополитена в г. Санкт-Петербург. Дан
анализ недостатков в работе программного обеспечения и выполнена доработка
аппаратно-программных средств. Достигнута вероятность корректного
распознавания лиц при использовании единичных низкокачественных эталонов до
0,7 … 0,79 (70…79%).
3) Проведены экспериментальные исследования аппаратно-программных
средств в сравнении с известными системами на основе «SDK Cognitec Systems
GmbH» в условиях неравномерного естественного освещения, перекрытия лиц
субъектов в сплошном потоке пассажиров в «пиковые» часы работы
метрополитена. Показаны преимущества разработанных аппаратно-программных
средств.
4) Подтверждена востребованность и практическая значимость аппаратно-
программных средств обработки динамических телевизионных изображений и
распознавания лиц для использования в инновационной научной, образовательной
и производственной деятельности учебных заведений и промышленных
предприятий.
Заключение

Основные результаты диссертационного исследования и следующие из них
теоретические и практические выводы сформулированы следующим образом:
– обоснованы методы и средства процесса распознавания и обработки
телевизионных изображений, разработана структура процедуры распознавания
лица человека на цифровом изображении;
– исследованы и разработаны информационно-технологические модели и
алгоритмы распознавания и обработки телевизионных изображений, обоснованы
этапы предварительной подготовки изображения, определена эффективность
применения методов признакового описания;
– исследованы и разработаны средства программного обеспечения
удаленного контроля, диагностики и обработки телевизионных изображений,
проработан способ пакетного сравнения эталонных и тестовых изображений,
предопределяющий процедуру предварительного применения вполне
определенных трансформаций;
– разработана структуры информационно-технических средств визуализации
процессов распознавания, контроля, диагностики и испытания видеосистем,
выполнено проектирование программной части системы, проведена декомпозиция
на подсистемы и модули;
– разработаны средства информационно-программного кодирования для
взаимодействия элементов визуализации с элементами интерактивного управления
видеосистемами, определен состав средств системного программного обеспечения;
– разработана методика управления средствами видеоконтроля процессов
распознавания, выполнена программная реализация алгоритмов и структур
данных, входящих в состав разработанных модулей;
– разработан и изготовлен опытный образец аппаратно-программного
комплекса «Стенд» для проведения лабораторных и натурных испытаний в
реальных условиях эксплуатации;
– выполнены экспериментальные лабораторные и натурные исследования
средств распознавания, контроля и обработки телевизионных изображений на
объекте транспортной инфраструктуры метрополитена в г. Санкт-Петербург, дан
анализ недостатков в работе программного обеспечения и выполнена доработка
аппаратно-программных средств, достигнута вероятность корректного
распознавания лиц при использовании единичных низкокачественных эталонов до
0,7 … 0,79 (70…79%);
– проведены экспериментальные исследования аппаратно-программных
средств в сравнении с известными системами на основе «SDK Cognitec Systems
GmbH» в условиях неравномерного естественного освещения, перекрытия лиц
субъектов в сплошном потоке пассажиров в «пиковые» часы работы
метрополитена, показаны преимущества разработанных аппаратно-программных
средств;
– подтверждена востребованность и практическая значимость аппаратно-
программных средств обработки динамических телевизионных изображений и
распознавания лиц для использования в инновационной научной, образовательной
и производственной деятельности учебных заведений и промышленных
предприятий.
– впервые разработаны: программа полуавтоматической аппроксимации
экспериментальных данных базисным набором гауссиан (см. Свидетельство №
2017611477); программное обеспечение автоматизированного тестирования
алгоритмов распознавания лиц (см. Свидетельство №2014612123); модульная
программа идентификации человека по растровому двумерному изображению
лица (см. Свидетельство №2011611917); база данных биометрических признаков
(см. Свидетельство №2010620768), – вошедшие в состав аппаратно-программного
комплекса.
Научные и научно-прикладные результаты, достигнутые в диссертационной
работе, могут быть использованы при создании новых и модернизации
существующих методов биометрической идентификации людей для систем
безопасности и контроля доступа, в том числе, в части поиска лиц, находящихся в
розыске.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Читать

    Читать «Алгоритмы распознавания и модели цифровой обработки динамических телевизионных изображений»

    Публикации автора в научных журналах

    Исследование искаженных изображений при помощи инструментов текстурного анализа
    Д.Г. Васильченкова, А.С. Голубев,М.Ю. Звягин, А.В. Лоханов // Проектирование и технология электронных средств.— 2— №— С. 41
    Усовершенствованное распознавание образов на основе квазиэталонных образов
    А.С. Голубев, М.Ю. Звягин, А.В. Лоханов, Л.А.Семин // Известия высших учебных заведений. Технология текстильнойпромышленности. - 2- № 4 (358). - С.236
    Текстурный анализ искаженных изображений
    А.ВЛоханов // ХХ международная научно-практическая конференция «Теоретическиеи методологические проблемы современных наук». Сб. тез. докладов. –Новосибирск. – 2– С.78
    Численно-аналитические исследования в фазовом пространстве динамической системы
    М.Ю. Звягин, А.В Лоханов, В.А.Скляренко // Сборник трудов Международной конференции по математическойтеории управления и механике. - Суздаль, 2015г. – С.74
    Сравнительный анализ перспектив использования источников видеоизображения с компрессией и без компрессии в технических системах с функциями распознавания людей
    А.В. Лоханов, П.Ю. Шамин//ТрудыXVIIIВсероссийскойнаучно-методическойконференции«Телематика'2011». 2011, Санкт-Петербург, Россия. – СПб.: Изд-во УниверситетаИТМО. - 2- Т. - С 264
    Поиск лиц людей на изображениях высокого разрешения в реальном времени
    И.И. Зиновьев, А.В. Лоханов // Региональная научно-практическая конференции «Многоядерные процессоры и параллельноепрограммирование». - 02 2011г.; Барнаул. Сб. докладов. - Барнаул: Изд-во БГУ,2– С. 71
    Компьютерное моделирование Mesh сети в системах GPSS и MATLAB
    А.В. Лоханов, А.В. Осин, М.В. Руфицкий // Девятаямеждународная научно-практическая конференция "Исследование, разработка иприменение высоких технологий в промышленности". 2010г. - СПб.: Изд-воСПбПУ. - 2- Т. – С.165
    Аппаратно-программный комплекс автоматизированного распознавания и биометрической идентификации людей (АПК АР-БИЛ)
    С.М. Аракелян, А.В. Лоханов, В.Г. Прокошев и др. // Труды XVII Всероссийскойнаучно-методической конференции "Телематика'2010". Санкт-Петербург, Россия. –СПб.: Изд-во Университета ИТМО. - 2- Т. - С 255

    Помогаем с подготовкой сопроводительных документов

    Совместно разработаем индивидуальный план и выберем тему работы Подробнее
    Помощь в подготовке к кандидатскому экзамену и допуске к нему Подробнее
    Поможем в написании научных статей для публикации в журналах ВАК Подробнее
    Структурируем работу и напишем автореферат Подробнее

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Дарья С. Томский государственный университет 2010, Юридический, в...
    4.8 (13 отзывов)
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссерт... Читать все
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссертационное исследование, которое сейчас находится на рассмотрении в совете.
    #Кандидатские #Магистерские
    18 Выполненных работ
    Лидия К.
    4.5 (330 отзывов)
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии ... Читать все
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии и педагогики. Написание диссертаций, ВКР, курсовых и иных видов работ.
    #Кандидатские #Магистерские
    592 Выполненных работы
    Дмитрий Л. КНЭУ 2015, Экономики и управления, выпускник
    4.8 (2878 отзывов)
    Занимаю 1 место в рейтинге исполнителей по категориям работ "Научные статьи" и "Эссе". Пишу дипломные работы и магистерские диссертации.
    Занимаю 1 место в рейтинге исполнителей по категориям работ "Научные статьи" и "Эссе". Пишу дипломные работы и магистерские диссертации.
    #Кандидатские #Магистерские
    5125 Выполненных работ
    Евгения Р.
    5 (188 отзывов)
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и со... Читать все
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и создаю красивые презентации. Сопровождаю работы до сдачи, на связи 24/7 ?
    #Кандидатские #Магистерские
    359 Выполненных работ
    Сергей Н.
    4.8 (40 отзывов)
    Практический стаж работы в финансово - банковской сфере составил более 30 лет. За последние 13 лет, мной написано 7 диссертаций и более 450 дипломных работ и научных с... Читать все
    Практический стаж работы в финансово - банковской сфере составил более 30 лет. За последние 13 лет, мной написано 7 диссертаций и более 450 дипломных работ и научных статей в области экономики.
    #Кандидатские #Магистерские
    56 Выполненных работ
    Шагали Е. УрГЭУ 2007, Экономика, преподаватель
    4.4 (59 отзывов)
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и... Читать все
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и диссертаций, Есть любимые темы - они дешевле обойдутся, ибо в радость)
    #Кандидатские #Магистерские
    76 Выполненных работ
    Кирилл Ч. ИНЖЭКОН 2010, экономика и управление на предприятии транс...
    4.9 (343 отзыва)
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). С... Читать все
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). Сейчас пишу диссертацию на соискание степени кандидата экономических наук.
    #Кандидатские #Магистерские
    692 Выполненных работы
    Елена С. Таганрогский институт управления и экономики Таганрогский...
    4.4 (93 отзыва)
    Высшее юридическое образование, красный диплом. Более 5 лет стажа работы в суде общей юрисдикции, большой стаж в написании студенческих работ. Специализируюсь на напис... Читать все
    Высшее юридическое образование, красный диплом. Более 5 лет стажа работы в суде общей юрисдикции, большой стаж в написании студенческих работ. Специализируюсь на написании курсовых и дипломных работ, а также диссертационных исследований.
    #Кандидатские #Магистерские
    158 Выполненных работ
    Алёна В. ВГПУ 2013, исторический, преподаватель
    4.2 (5 отзывов)
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическо... Читать все
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическое образование. В данный момент работаю преподавателем.
    #Кандидатские #Магистерские
    25 Выполненных работ

    Последние выполненные заказы

    Другие учебные работы по предмету

    Формирователи спектрально-эффективных радиосигналов с компенсацией амплитудно-фазовых искажений
    📅 2021 год
    🏢 ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»
    Быстрые цифровые алгоритмы когерентной демодуляции сигналов с амплитудной и фазовой манипуляцией
    📅 2022 год
    🏢 ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»
    Зеркально-симметричные модальные фильтры и меандровые линии
    📅 2021 год
    🏢 ФГБОУ ВО «Томский государственный университет систем управления и радиоэлектроники»