Помощь в написании студенческих работ
Антистрессовый сервис

Морфологическое сравнение изображений гибких объектов на основе циркулярных моделей при биометрической идентификации личности по форме ладони

Диссертация: Морфологическое сравнение изображений гибких объектов на основе циркулярных моделей при биометрической идентификации личности по форме ладони
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Для проведения сравнения форм объектов необходима некоторая мера/метрика, позволяющая оцепить сходство этих форм. Она может быть задана как некоторая функция, определённая на так называемых признаках формы (признаковое сравнение). Под признаками формы понимаются различные топологические и метрические характеристики объекта: количество граничных контуров, площадь, периметр, диаметр и т. д. Другой… Читать ещё >

Морфологическое сравнение изображений гибких объектов на основе циркулярных моделей при биометрической идентификации личности по форме ладони (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Задача сравнения формы гибких объектов и известные методы её решения
    • 1. 1. Задача сравнения формы гибких объектов
    • 1. 2. Методы сравнения формы гибких объектов
    • 1. 3. Задача распознавания формы ладони
    • 1. 4. Методы распознавания формы ладони
      • 1. 4. 1. Распознавание по признакам геометрии ладони
      • 1. 4. 2. Распознавание на основе контурной информации
    • 1. 5. Постановка задач исследования
      • 1. 5. 1. Сравнение формы гибких объектов
      • 1. 5. 2. Сравнение формы ладоней
    • 1. 6. Выводы к первой главе.'
  • Глава 2. Циркулярная модель гибкого объекта и методы её идентификации и подгонки
    • 2. 1. Модель гибкого объекта
    • 2. 2. Метод построения силуэта модели
      • 2. 2. 1. Алгоритм парных пересечений
      • 2. 2. 2. Восстановление силуэта модели по силуэтам фиксированных компонент
    • 2. 3. Метод идентификации (разметки) модели
    • 2. 4. Сравнение модели и изображения объекта
    • 2. 5. Алгоритм решения прикладных задач
    • 2. 6. Выводы ко второй главе
  • Глава 3. Алгоритмы идентификации и подгонки моделей гибких объектов при распознавании формы ладони
    • 3. 1. Модель ладони
      • 3. 1. 1. Описание ладони гибким объектом
      • 3. 1. 2. Параметризация модели
      • 3. 1. 3. Построение силуэта ладони
    • 3. 2. Алгоритм идентификации модели ладони
      • 3. 2. 1. Определение ветвей — кандидатов в пальцы
      • 3. 2. 2. Определение кончиков и оснований пальцев
      • 3. 2. 3. Определение точек поворотов пальцев
    • 3. 3. Алгоритм сравнения формы ладоней
      • 3. 3. 1. Параметризация трансформаций модели
      • 3. 3. 2. Начальная укладка моделей
      • 3. 3. 3. Подгонка моделей
    • 3. 4. Выводы к третьей главе
  • Глава 4. Система распознавания личности по форме ладони и голосовому паролю
    • 4. 1. Многомодальный подход к распознаванию
    • 4. 2. Описание и общая схема двумодального подхода
    • 4. 3. Фильтрация на основе голосового пароля
    • 4. 4. Описание установки и комплекса программ
      • 4. 4. 1. Экспериментальная установка
      • 4. 4. 2. Программная реализация
    • 4. 5. Вычислительные эксперименты
      • 4. 5. 1. Распознавание личности по форме ладони
      • 4. 5. 2. Разметка моделей ладоней
      • 4. 5. 3. Распознавание личности по голосовому паролю
      • 4. 5. 4. Двумодальный подход
    • 4. 6. Выводы к четвёртой главе

Морфологическое сравнение — сравнение изображений объектов, дающее количественную оценку сходства этих объектов по их форме. Необходимость морфологического сравнения объектов возникает во многих прикладных задачах: в системах компьютерного зрения, при распознавании образов, в компьютерной графике. Примерами таких задач являются: распознавание рукописных символов, жестов руки, позы человека, объектов на аэрофотоснимке местности и т. д. Морфологическое сравнение даёт оценку сходства, на основе которой может решаться задача классификации формы объектов.

Для проведения сравнения форм объектов необходима некоторая мера/метрика, позволяющая оцепить сходство этих форм. Она может быть задана как некоторая функция, определённая на так называемых признаках формы (признаковое сравнение). Под признаками формы понимаются различные топологические и метрические характеристики объекта: количество граничных контуров, площадь, периметр, диаметр и т. д. Другой способ задания меры сходства формы основывается на сравнении объектов при их совмещении (беспризнаковое сравнение). Человек, классифицируя формы в повседневной жизни, чаще всего делает это путём её сравнения с некоторой известной ему «эталонной» формой: «здание в форме буквы Н», «грушевидная форма лица», «облако в форме верблюда» и т. д. При этом он неявно «накладывает» эти формы друг на друга и оценивает их сходство. В этом случае сходство форм — это совпадение или их близость при совмещении.

Однако существуют так называемые гибкие объекты, форма которых может значительно меняться. Примерами гибких объектов являются фигуры животных и человека. Объектом интереса может быть и часть фигуры человека, например, ладонь. При этом изменения формы гибкого объекта не могут, быть абсолютно произвольными, а подчиняются определённым естественным ограничениям. В фигуре животного и человека конечности изгибаются в суставах, но при этом отдельные части фигуры (голень, бедро, плечо и т. д.) сохраняют свою форму. Для сравнения формы гибких объектов признаковое описание оказывается неинформативным, поскольку значения признаков могут сильно варьироваться при изменении формы. Оценка сходства на основе простого совмещения объектов также неприемлема, т.к. части объекта могут занимать различное взаимное положение (рисунок 1а). Однако такое совмещение возможно при определённом изменении положения компонент объекта (рисунок 16). Таким образом, оценку сходства изображений гибких объектов можно было бы выполнить в положении наилучшего совмещения с учётом допустимых трансформаций этих объектов.

Трансформация а) б).

Рис. 1. Сравнение формы гибких объектов — ладоней человека: (а) простое совмещение силуэтов- (б) применение трансформаций к первой ладони и совмещение силуэтов после этого. В последней колонке тёмным цветом выделена симметрическая разность силуэтов ладоней.

Однако существующие модели и методы описания таких объектов переменной формы развиты недостаточно. Традиционные способы представления формы объектов через задание границы их силуэтов не позволяют корректно описать допустимые трансформации объектов, поскольку в терминах локального изменения границ фигуры невозможно задать требования к сохранению формы её отдельных компонент.

Более адекватным инструментом для описания формы гибких объектов является циркулярное представление [1]. Суть циркулярного представления заключается в построении осевого графа (скелета) формы, с каждой точкой которого связан круг, вписанный в форму (рисунок 2.1). В подходе, описанном в [1], предлагается для каждой формы строить циркулярное представление на основе скелетизации и далее, используя это представление, преобразовывать форму в некоторое стандартное положение. Этот процесс называется нормализацией. После чего нормализованные фигуры сравниваются непосредственным наложением. Недостатки такого подхода:

1. высокие требования к качеству изображения объекта, которые не всегда легко выполнить на практике (необходимо, чтобы отсутствовали помехи и окклюзии);

2. низкая точность циркулярной аппроксимации объекта (в частности, по одному изображению весьма сложно сформировать описание возможных трансформаций).

Указанные недостатки существующих методов и практическая востребованность морфологического сравнения гибких объектов обуславливают актуальность темы данного исследования. ¦

Целью диссертационной работы является разработка теоретического аппарата и практических методов моделирования, сравнения и классификации формы гибких объектов.

Предлагаемый подход к достижению цели:

1. Формирование эталонной модели гибкого объекта па основе циркулярного представления по нескольким изображениям без окклюзий, что должно обеспечить более высокую точность модели.

2. Сравнение наблюдаемой формы с эталонной моделью на основе подгонки этой модели под рассматриваемую форму. Этот путь позволяет классифицировать форму объектов в изображениях низкого качества, а также допускает наличие окклюзий.

Таким образом, новизна подхода состоит в использовании принципа «подгонки эталона под тестовый образец» вместо традиционной подгонки тестового образца под эталоны, представленные в нормализованном виде.

Реализация этого подхода ставит несколько новых задач:

1. Построение циркулярной модели гибкого объекта по нескольким эталонным изображениям.

2. Подгонка модели под наблюдаемое изображение (с окклюзиями) с учётом допустимых трансформаций.

Предлагаемый подход к решению задач состоит из следующих шагов:

1. Построение циркулярной модели гибкого объекта: а. формирование набора эталонных изображений гибкого объекта без окклюзийб. описание группы допустимых трансформаций модели и её параметризацияв. идентификация параметров модели на основе эталонных изображений объекта.

2. Сравнение модели и тестовой формы: а. подгонка циркулярной модели под тестовую форму путём применения ряда допустимых деформаций к модели и поиска наилучшего совмещения силуэтов модели и тестаб. вычисление меры сходства силуэтов модели и тестовой формы в положении наилучшего совмещения.

На основе полученной меры сходства далее может быть построен метрический классификатор и решаться задача распознавания формы объектов.

Методы исследований. В работе использованы методы вычислительной геометрии, вычислительной математики, теории анализа изображений и компьютерной графики.

Для обоснования достоверности и практической полезности предлагаемого решения в диссертации рассматривается применение разработанных алгоритмов к решению практической задачи. В качестве прикладной задачи, на которой отрабатывались все шаги предлагаемого метода сравнения форм с окклюзиями, рассматривается задача биометрического распознавания личности по форме ладони. Как показано в диссертации, ладонь человека хорошо описывается предлагаемой моделью. Возможные трансформации ладони при её позиционировании в картинной плоскости видеокамеры описываются группой движений пальцев, что даёт возможность для построения достаточно простой и корректной математической модели. Для этой модели все элементы предлагаемого подхода доведены до рабочих алгоритмов и программной реализации.

Работа организована следующим образом. В главе 1 рассматривается задача сравнения формы гибких объектов, формулируется её общая постановка и приводится обзор существующих методов её решения. Также рассматривается применение этих методов к решению задачи сравнения формы ладоней. Указываются достоинства и недостатки методов. В конце главы формулируется общая постановка задач исследований. В глава 2 рассматривается общий подход к решению задачи морфологического сравнения изображений гибких объектов. Описывается параметрическая модель гибкого объекта и способ её построения, предлагается способ автоматической идентификации параметров модели и подгонки модели под заданную тестовую форму. Глава 3 иллюстрирует применение разработанного метода к решению конкретной прикладной задачи — задачи распознавания человека по форме его ладони. Глава 4 содержит описание экспериментальной установки и комплекса программ, реализующего предложенный подход в рамках системы двумодальной идентификации личности по форме ладони и голосовому паролю. Приводятся результаты экспериментов на реальных базах бинарных изображений ладоней и голосовых паролей. Далее следует заключение, содержащее основные выводы по данной работе.

На защиту выносятся следующие основные результаты и положения :

1. Модель гибкого объекта и метод идентификации её параметров (разметки) по серии бинарных изображений объекта в разных положениях.

2. Метод сравнения формы гибких объектов, основанный на подгонке размеченной эталонной модели под тестовое изображение.

3. Метод идентификации модели ладони по серии изображений.

4. Метод биометрической идентификации личности по форме ладони.

Апробация работы. Результаты работы докладывались на следующих конференциях:

• 7-ая международная научная конференция «Интеллектуализация обработки информации» ИОИ'08 (Алушта, 2008) [2];

• XVI международная научная конференция студентов, аспирантов и молодых учёных «ЛОМОНОСОВ-2009» (Москва, 2009) [3];

• всероссийская конференция «Математические методы распознавания образов» ММРО-14 (Суздаль, 2009) [4];

• 19-ая международная конференция по компьютерной графике и зрению «ГрафиКон'09» (Москва, 2009) [5];

• 8-ая международная научная конференция «Интеллектуализация обработки информации» ИОИ’Ю (Пафос, 2010) [6];

• международная конференция по теории и приложениям компьютерного зрения «УШАРР—2011» (Португалия, 2011) [7];

• 2-ая научно-техническая конференция «Техническое зрение в системах управления» ТУС8'2011 (Москва, 2011) [8];

• международная конференция по анализу и распознаванию изображений «1С1А11—2011» (Канада, 2011) [9];

• всероссийская конференция «Математические методы распознавания образов» ММРО-15 (Петрозаводск, 2011) [10].

Материалы диссертации использованы в работах по грантам РФФИ №№ 08−01−670, 08−07−305, 08−07−270,10−07−609,11−01−783 и 11−07−462.

Публикации. Материалы диссертации опубликованы в 11 печатных работах, из них 2 статьи в рецензируемых журналах [11, 12], 7 статей в сборниках трудов конференций [2, 4−7, 9, 10] и 2 тезиса докладов [3, 8]. В изданиях, рекомендованных ВАК РФ, опубликовано 2 статьи [9, 12].

Структура и объём диссертации. Диссертация общим объёмом 130 страниц состоит из введения, 4 глав, заключения и списка литературы из 73 наименований. В работе содержится 41 рисунок и 1 таблица.

4.6. Выводы к четвёртой главе.

1. Проведённые эксперименты по верификации на реальной базе ладоней людей показали, что с точки зрения качества распознавания (критериев FRR И FAR) предложенный оптимизационный подход разметки моделей ладоней имеет преимущество. Это может быть объяснено тем, что в предложенном подходе точки поворотов назначаются на основе ладоней одного человека, без участия информации о ладонях других людей. Тогда как в случае задачи идентификации оптимизационный подход работает почти также, как и простое назначение точек поворотов пальцев.

2. Качество распознавания на выборке ладоней с хорошо разделёнными пальцами и на выборке, где было 11% ладоней с частично соприкасающимися пальцами, для задачи верификации оказалось одинаковым (ERR = 3.5%). При идентификации хорошие ладони распознавались лучше по сравнению с ладонями, имеющими окклюзии (ERR = 11% против 14.5%).

3. Эксперименты по оценке качества распознавания предлагаемой системы распознавания личности по форме ладони показывают, что только формы ладони недостаточно для проведения надёжного распознавания в группе людей. Существуют люди, формы ладоней которых похожи, и, соответственно, для их корректной идентификации нужна дополнительная информация.

4. В качестве такой информации может использоваться «внешняя» информация (пароль, PIN-код), и в этом случае мы имеем задачу верификации личности.

5. Альтернативный вариант — использование других биометрических характеристик человека. Так, в работе предложен двумодальный подход, основанный на комбинировании признаков ладони и голоса человека. Распознавание состоит из двух шагов: на первом шаге происходит фильтрация заведомо непохожих персон по голосовому паролю, а на втором — проводится распознавание по форме ладони в оставшейся небольшой группе персон.

6. Проведённые эксперименты по оценке качества распознавания в случае двумодального подхода показали, что удаётся существенно снизить ошибки FRR и FAR по сравнению с одномодальным подходом. Полученное в экспериментах значение ERR составляет 1.7%.

7. Представлена экспериментальная система 'Time к, Attendance", реализующая предложенный в работе двумодальный подход распознавания личности по форме ладони и голосовому паролю.

8. Система позволяет проводить верификацию и идентификацию личности в режиме реального времени на группе персон в количестве порядка 50 человек.

Заключение

.

По итогам проведённой работы можно сделать следующие выводы:

1. При решении актуальных задач распознавания формы гибких объектов возникают ситуации, когда приходится сравнивать силуэты объектов, имеющих окклюзии. Например, такие ситуации возникают при распознавании поз и жестов человека. Однако существующие методы на такие случаи не ориентированы.

2. Случаи с окклюзиями удобно анализировать, когда известен исходный объект и семейство его допустимых деформаций. Тогда можно пробовать применять эти деформации и смотреть получающийся при этом силуэт объекта. Далее этот силуэт уже можно сравнивать с силуэтами других объектов и оценивать их сходство.

3. Предложенный в работе способ описания формы гибкого объекта в виде совокупности циркулярного графа и множества его допустимых преобразований предоставляет широкие возможности для анализа объекта и его силуэта. В частности, предложенная модель гибкого объекта задаёт его структуру, позволяет легко моделировать различные деформации объекта и восстанавливать его силуэт после их выполнения.

4. Силуэт модели есть фигура, ограниченная внешней огибающей бесконечного семейства кругов циркулярного графа. В работе показано сведение задачи построения такой огибающей к построению огибающей конечного связного множества бициклов. Приводится решение этой задачи для случая, когда исходный объект может быть разделён на небольшое число компонент фиксированной структуры. Разработанный метод построения силуэта такой модели работает за время 0((щ + щ) ogni) в худшем случае и 0(щ+щ) в среднем, где щ — число бициклов, а По — общее число точек пересечений границ компонент.

5. Для автоматической идентификации параметров (разметки) модели предложен метод, позволяющий определять оптимальный набор параметров по серии бинарных изображений объекта в разных положениях. Он основан на минимизации среднего различия между моделями одного и того же объекта.

6. Для сравнения модели и силуэта некоторого тестового объекта предложен новый метод, заключающийся в подгонке деформированной модели под представленный силуэт. Применении деформаций к эталонной модели, а не тесту обусловлено тем, что восстановить исходный объект по тестовому изображению не всегда возможно, как, например, в случае окклюзий. В процессе подгонки производится поиск такой деформации модели, при которой достигается наилучшее совмещение её силуэта с силуэтом теста.

7. В работе рассмотрено применение представленного метода сравнения формы гибких объектов к решению задачи распознавания человека по форме ладони. В частности, описана модель ладони человека и множество её допустимых деформаций, введена параметризация модели, представлен упрощённый способ построения силуэта ладони, предложена мера сходства модели и теста (симметрическая разность их совмещённых силуэтов) и метод её вычисления. Рассмотрены задачи верификации и идентификации личности по форме ладони и представлены результаты проведённых экспериментов на реальных данных по оценке критериев FRR и FAR. Эксперименты показали, что форма ладони подходит для проведения верификации личности в небольшой группе персон, но является ненадёжным признаком для задачи идентификации. Однако качество распознавания может быть улучшено за счёт использования дополнительной биометрической характеристики человека, например, голоса.

8. В работе представлена разработанная экспериментальная система «Time & Attendance» двумодального распознавания личности по форме ладони и голосовому паролю, работающая в режиме реального времени. Она реализует каскадную модель комбинирования классификаторов, когда голос служит фильтром заведомо непохожих персон, а распознавание проводится по форме ладони среди небольшой группы (3 — 7 человек) оставшихся персон. Эксперименты, проведённые на реальных данных, показали существенное улучшение качества распознавания по сравнению с одномодальным подходом — распознаванием по форме ладони, а также приемлемое общее качество распознавания.

Предложенная в работе методология сравнения формы на основе гибкого объекта может быть использована при решении большого класса задач, возникающих в системах машинного зрения. Продемонстрировано удобство использования модели гибкого объекта при описании формы объекта и его допустимых деформаций, а также возможность сравнения объектов с окклю-зиями. Применение рассмотренной методологии к решению конкретной прикладной задачи, проведённые эксперименты и собранный прототип системы двумодального распознавания личности показали реализуемость и работоспособность разработанных методов.

Показать весь текст

Список литературы

  1. Л. М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры. — ФИЗМАТЛИТ, 2009.
  2. И. Г., Местецкий Л. М. Многомодальная идентификация личности по форме ладони и голосу // Таврический Вестник Информатики и Математики. — 2008. — Т. 1. — С. 59−65.
  3. И. Г. Генерация признаков при наличии артефактов для задачи распознавания личности по форме ладони // Сборник тезисов XVI Международной научной конференции студентов, аспирантов и молодых учёных «ЛОМОНОСОВ-2009». — М.: МАКС Пресс, 2009.- С. 14.
  4. И. Г., Местецкий Л. М. Метод сравнения ладоней при наличии артефактов // Доклады 14-ой Всероссийской конференции «Математические методы распознавания образов» ММРО-14. — М.: МАКС Пресс, 2009.- С. 301−304.
  5. И. Г., Цискаридзе А. К., Местецкий Л. М. Метод активного скелета в задаче распознавания формы изображений // Доклады 19-ой Международной конференция по компьютерной графике и зрению «Гра-фиКон'2009». Москва, МГУ: 2009. — С. 279−282.
  6. И. Г. Идентификация личности по форме ладони и голосу // Доклады 8-ой международной конференции «Интеллектуализация обработки информации» ИОИ-2010. — М.: МАКС Пресс, 2010.- С. 438−441.
  7. Bakina I. Palm shape comparison for person recognition // Proceedings of the International Conference on Computer Vision Theory and Applications, 'YISAPP 2011″. Vilamoura, Algarve-Portugal: 2011. — Pp. 5−11.
  8. И. Г. Определение точек поворотов пальцев при создании шаблона ладони // Тезисы докладов научно-технической конференции «Техническое зрение в системах управления» TVCS'2011.— Москва, ИКИ РАН: 2011, — Pp. 72−74.
  9. Mestetskiy L., Bakina I., Kurakin A. Hand geometry analysis by continuous skeletons // Lecture Notes in Computer Science.
  10. И. Г. Идентификация модели ладони по серии её снимков в разных положениях // Доклады 15-ой Всероссийской конференции «Математические методы распознавания образов» ММРО-15.— М.: МАКС Пресс, 2011. С. 424−427.
  11. И. Г. Генерация признаков для сравнения ладоней при наличии артефактов // Научно-практический журнал «Прикладная информатика». 2009. — № 4(22). — С. 68−75.
  12. И. Г. Моделирование ладони гибким объектом при биометрической идентификации // Вестник Тверского государственного университета. Серия: Прикладная математика. — 2011. — № 21. — С. 75−89.
  13. Словарь русского языка: В 4-х т. Институт русского языка АН СССР. — М.: «Русский язык», 1981.
  14. Yang М., Kpalma К., Ronsin J. A survey of shape feature extraction techniques // Pattern Recognition Techniques, Technology and Applications. — IN-TECH, 2008. Pp. 43−90.
  15. Loncaric S. A survey of shape analysis techniques // Pattern Recognition. — 1998. Vol. 31, no. 8. — Pp. 983−1001.
  16. Belongie S., Malik J., Puzicha J. Shape matching and object recognition using shape contexts // IEEE Trans. Pattern Anal. Mach. Intell— April 2002. Vol. 24. — Pp. 509−522.
  17. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. — 1998. — Vol. 86. — Pp. 2278−2324. http: //yann. lecun.com/exdb/mnist/.
  18. Murase H., Nayar S. K. Visual learning and recognition of 3-d objects from appearance // Int. J. Comput. Vision.— January 1995.— Vol. 14.— Pp. 5−24. http://wwwl.cs.columbia.edu/CAVE/software/ softlib/coil-20.php.
  19. Jeannin S., Bober M. Description of core experiments for mpeg-7 motion/shape // Technical Report ISO/IEC JTC 1/SC 29/WG 11 MPEG99/N2690. — March 1999. http://knight.cis.temple.edu/ ~shape/MPEG7/dataset.html.
  20. Felzenszwalb P. F., Schwartz J. D. Hierarchical matching of deformable shapes /1 CVPR. 2007.
  21. Dryden I., Mardia K. Statistical Shape Analysis.— John Wiley and Sons, 1998.
  22. Soderkvist 0. — Computer Vision Classification of Leaves from Swedish Trees.— Master’s thesis, Linkoping University, SE-581 83 Linkoping, Sweden, September 2001.- LiTH-ISY-EX-3132. http://www2.cvl.isy.liu. se/ImageDB/images/internalimages/blad/.
  23. Sebastian T. B., Klein P. N., Kimia B. B. Recognition of shapes by editingtheir shock graphs // IEEE Trans. Pattern Anal. Mach. Intell— 2004.— Vol. 26, no. 5, — Pp. 550−571.
  24. Ни M.-K. Visual pattern recognition by moment invariants // Information Theory, IRE Transactions on. — 1962. — Vol. 8, no. 2. — Pp. 179−187.
  25. Mokhtarian F., Abbasi S., Kittler J. Efficient and robust retrieval by shape content through curvature scale space. — 1996. — Pp. 35−42.
  26. Mokhtarian F., Bober M. Curvature Scale Space Representation: Theory, Applications, and MPEG-7 Standardization. — Kluwer, 2003.
  27. Zhang D., Lu G. A comparative study of curvature scale space and fourier descriptors for shape-based image retrieval // J. Visual Communication and Image Representation. — 2003. — Vol. 14, no. 1. — Pp. 39−57.
  28. Zhang D., Lu G. A comparative study of fourier descriptors for shape representation and retrieval // Proc. of 5th Asian Conference on Computer Vision (ACCV. Springer, 2002. — Pp. 646−651.
  29. Zaboli H., Rahmati M., Mirzaei A. Shape recognition by clustering and matching of skeletons // J CP. — 2008. — Vol. 3, no. 5. — Pp. 24−33.
  30. Siddiqi K., Shokoufandeh A., Dickinson S. J., Zucker S. W. Shock graphs and shape matching // International Journal of Computer Vision. — 1999. — Vol. 35, no. 1. Pp. 13−32.
  31. M. Ю. Применение структурного подхода к распознаванию скелетов бинарных изображений // Ученые записки Петрозаводского Государственного Университета. — 2011. — Т. 2, № 115.— С. 76−80.
  32. Domakhina L., Okhlopkov A. Shape comparison based on skeleton isomorphism // VISAPP (2). 2009. — Pp. 237−242.
  33. Zhu S. C., Yuille A. L. Forms: A flexible object recognition and modelling system // International Journal on Computer Vision.— 1996. — Vol. 20(3).
  34. JI. M., Семёнов А. Сравнение формы изображений на основе циркулярного разложения // Международная Конференция по Компьютерной Графике и Зрению «ГрафиКон'2004». — 2004.
  35. Mestetskiy L. Shape comparison of flexible objects // VISAPP. — 2007.— Vol. l.-Pp. 390−393.
  36. А. К. Восстановление пространственных циркулярных моделей по силуэтным изображениям: Ph.D. thesis. — 2010.
  37. S., Travieso С. M., Alonso J. В., Ferrer M. A. Automatic biomet-ric identification system by hand geometry // Proceedings of the 37th Annual International Carnahan Conference on Security Technology. — 2003. — Pp. 281−284.
  38. H.M.El-Bolok, M.I.El-Adawy, M.E.AbouEl-Wafa, R.I.Mubarak. Person identification through hand geometry measurements // Journal of Engineering Sciences, Assiut University.— 2004. — Vol. 32(4). — Pp. 1661−1672.
  39. A., Ferrer M. A., Diaz F., Alonso J. В., Travieso С. M. Contact-free hand biometric system1 for real environments // Proceedings of the 16th European Signal Processing Conference (EUSIPCO 2008).
  40. Jianxia W., Wanzhen Z., Xiaojun W., Min Q. The feature parameter extraction in palm shape recognition system // Journal of Communication and Computer. 2005. — Vol. 2. — Pp. 25−28.
  41. Boreki G., Zimmer A. Hand geometry: A new approach for feature extraction // Proceedings of the 4th IEEE Workshop on Automatic Identification Advanced Technologies. — 2005. — Pp. 149−154.
  42. Wong A. L., Shi P. Peg-free hand geometry recognition using hierarchical geometry and shape matching // Proceedings of I APR International Conference on Machine Vision Applications. — 2002. — Pp. 281−284.
  43. Covavisaruch N., Prateepamornkul P., Ruchikachorn P., Taksaphan P. Personal verification and identification using hand geometry // ECTI Transactions on Computer and Information Technology. — 2005. — Vol. 1. — Pp. 134−140.
  44. Varchol P., Levicky D. Using of hand geometry in biometric security systems // Radioengineering. — 2007. — Vol. 16. — Pp. 82−87.
  45. JI. M., Мехедов И. Комбинированное правило ближайших соседей при классификации формы ладоней // Тезисы докладов Международной конференции Интеллектуализация обработки информации. — 2006. С. 142−144.
  46. Sanchez-Reillo R. Hand geometry pattern recognition through gaussian mixture modeling // 15th International Conference on Pattern Recognition (ICPR'00). 2000. — Vol. 2. — Pp. 937−940.
  47. Jain A. K., Ross A., Pankanti S. A prototype hand geometry-based verification system // Proceedings of 2nd International Conference on Audio- and Video-based Biometric Person Authentication. — 1999.— Pp. 166−171.
  48. Chernoff H. The use of faces to represent points in k-dimensional spacegraphically // Journal of the American Statistical Association. — 1973. — Vol. 68(342).- Pp. 361−368.
  49. Roy V., Jawahar C. V. Feature selection for hand-geometry based person authentication // Proceedings of International Conference on Advanced Computing and Communication. — 2005.
  50. Fouquier G., Likforman L., Darbon J., Sankur B. The biosecure geometry-based system for hand modality // ICASSP (1). 2007. — Pp. 801−804.
  51. Duda R. O., Hart P. E., Stork D. G. Pattern Classification (2nd Edition).— 2 edition. — Wiley-Interscience, 2001.
  52. Biosecure web page, http: //biosecure. it-sudparis. eu/AB/.
  53. Su C.-L. Index, middle, and ring finger extraction and identification by index, middle, and ring finger outlines // VISAPP. 2008. — Vol. 1. — Pp. 518−520.
  54. Konukoglu E., Yoruk E., Darbon J., Sankur B. Shape-based hand recognition // Image Processing, IEEE. 2006. — Vol. 15. — Pp. 1803−1815.
  55. Jain A. K., Duta N. Deformable matching of hand shapes for verification // Proceedings of ICIP '99, Kobe, Japan. 1999. — Pp. 857−861.
  56. Mestetskiy L., Semenov A. Palm shape comparison based on fat curves // Pattern Recognition and Image Analysis. (Advances in Mathematical Theory and Applications). — 2005. — Vol. 15(4).
  57. Yoruk E., Dutagaci H., Sankur B. Hand based biometry // SPIE Electronic Imaging Conference: Image and Video Communications and Processing. — 2005. Vol. 5685. — Pp. 1106−1115.
  58. Duta N. A survey of biometric technology based on hand shape // Pattern Recognition. Vol. 42. — 2009. — Pp. 2797−2806.
  59. А. Построение объединения, пересечения и разности произвольных многоугольников в среднем за линейное время с помощью триангуляции // Вычислительные методы и программирование. — 2002. — Т. 3. С. 116−123.
  60. П., Майкл Ш. // Вычислительная геометрия: Введение.— М.: Мир, 1989.
  61. J. С. Compact Numerical Methods for Computers: Linear Algebra and Function Minimisation // International Series on Biometrics. — Adam Hilger, 1990.
  62. Ross A. A., Nandakumar K., Jain A. K. Handbook of Multibiometrics // International Series on Biometrics.— Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2006.- Vol. 6.
  63. Ribaric S., Ribaric D., Pavesic N. A multimodal biometric-based user-identification system for internet use // IEE Proceedings Vision, Image & Signal Processing. Vol. 150(6). — 2003. — Pp. 409−416.
  64. Row R. K., Uludag U., Demirkus M., Parthasaradhi S., Jain A. K. A Multi-spectral Whole-Hand Biometric Authentication System // Biometrics Symposium. 2007. — Pp. 1−6.
  65. Sanches T., Antunes J., Correia P. L. A single sensor hand biometric multimodal system // 15th European Signal Processing Conference, EUSIP-C0'2007. — 2007.
  66. Ross A., Govindarajan R. Feature level fusion using hand and face biometrics // Proceedings of SPIE Conference on Biometric Technology for Human Identification II. Vol. 5779. — 2005. — Pp. 196−204.
  67. Theodoridis S., Koutroumbas K. Pattern Recognition. Second Edition. — Elsevier, 2003.
  68. Ouzounov A. Cepstral features and text-dependent speaker identification—a comparative study // Cybernetics and Information Technologies. — 2010. — T. 10.
  69. Karpov E. Real-time speaker identification // Master’s Thesis. — 2003.
  70. Rabiner L., Juang B.-H. Fundamentals of Speech Recognition.— Prentice-Hall International Inc., 1993. — P. 507.
Заполнить форму текущей работой

Сессия? Спокойно!