Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
2 results
Search Results
Item Розроблення біометричних методів ідентифікації на підставі фільтрації Ateb-Габором(Видавництво Львівської політехніки, 2021-10-10) Назаркевич, М. А.; Nazarkevych, M. A.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозроблено біометричні методи ідентифікації на підставі нових методів фільтрації. Встановлено, що системи біометричної ідентифікації потребують постійного вдосконалення, позаяк дуже часто працюють повільно і видають неточний результат. Для підвищення надійності розпізнавання біометричних зображень досліджено метод, який містить такі етапи: сегментацію, нормалізацію, оцінювання локальної орієнтації, локальне оцінювання, оцінювання частоти хребтів, реалізацію фільтра Габора, бінаризацію, потоншення. Запропоновано новий метод фільтрації, оснований на нових видах функцій – Ateb-функціях, які використовують поряд із фільтром Габора. Локальну орієнтацію обчислюють на підставі локальних градієнтів із застосуванням функції арктангенса. Процес нормалізації проводять для рівномірного перерозподілу значень інтенсивності зображення. Під час сегментації відбувається відокремлення ділянок переднього плану на зображенні від фонових ділянок. Розроблено новий метод вейвлет-перетворення фільтрації біометричних зображень на підставі Ateb-Габора. Фільтр Габора застосовують у лінійній фільтрації, він дає змогу покращити якість перетвореного зображення. Також використано операції симетрії та вейвлет-перетворення для зменшення кількості необхідних операцій множення та додавання. Метод ґрунтується на загальновідомому фільтрі Габора та дає змогу перебудовувати зображення із чіткішими контурами. Застосування цього методу до біометричних зображень доцільне, адже створення чітких контурів особливо актуальне. Під час фільтрації Габором відбувається реконструкція зображення у результаті множення гармонійної функції на функцію Гаусса. Ateb-функції є узагальненням елементарної тригонометрії, і, відповідно, функціональніші. Виявлено, що фільтрування Ateb-Gabor дає змогу змінювати інтенсивність всього зображення, а також інтенсивність у певних діапазонах, і завдяки цьому робити певні ділянки зображення контрастнішими. Фільтрація Ateb-функціями дає змогу змінювати зображення залежно від двох раціональних параметрів. Це дає можливість гнучкіше керувати фільтрацією та вибирати оптимальні варіанти. Під час виконання потоншення стирають пікселі переднього плану, доки не залишиться одного пікселя завширшки. Використовується стандартний алгоритм проріджування, або ж проріджування, які автори розробили в інших дослідженнях. Ця фільтрація забезпечить точніші характеристики, оскільки дає змогу отримати похиліші форми та забезпечити ширший діапазон кривих. Численні експериментальні дослідження свідчать про ефективність запропонованого методу.Item Performance evaluation of Self-Quotient image methods(Видавництво Львівської політехніки, 2020-09-23) Парубочий, В. О.; Шувар, Роман Ярославович; Parubochyi, V. O.; Shuvar, R. Ya.; Львівський національний університет ім. Івана Франка; Ivan Franko National University of LvivНормалізація освітлення є дуже важливою проблемою в системах розпізнавання зображень, оскільки різні умови освітлення можуть істотно змінити результати розпізнавання, а нормалізація освітлення дає змогу мінімізувати негативні наслідки різних умов освітлення. У цій роботі ми оцінюємо ефективність розпізнавання декількох методів нормалізації освітлення, заснованих на методі самооцінювання зображення SQI (англ. Self-Quotient Image method), запровадженому Haitao Wang, Stan Z. Li, Yangsheng Wang, та Jianjun Zhang. Для оцінки ми вибрали оригінальну реалізацію та найперспективніші модифікації оригінального методу SQI, в т.ч. й метод Gabor Quotient ImagE(GQI), запропонований Sanun Srisuk та Amnart Petpon у 2008 році, а також метод Fast Self-Quotient ImagE(FSQI) та його модифікації, запропоновані авторами статті в попередніх роботах. У цій роботі ми запропонували модель оцінки, яка використовує Cropped Extended Yale Face Database B, що дає змогу показати відмінність результатів розпізнавання для різних умов освітлення. Також ми перевіряємо всі результати за допомогою двох класифікаторів: класифікатора найближчих сусідів (англ. Nearest Neighbor Classifier) та лінійного класифікатора опорних векторів (англ. Linear Support Vector Classifier). Такий підхід дає змогу не тільки обчислити точність розпізнавання для кожного методу та вибрати найкращий метод, але й показати важливість правильного вибору методу класифікації, який може мати значний вплив на результати розпізнавання. Нам вдалося показати значне зменшення точності розпізнавання для необроблених (RAW) зображень із збільшенням кута між джерелом освітлення та нормаллю до об'єкта. З іншого боку, наші експерименти показали майже рівномірний розподіл точності розпізнавання для зображень, оброблених методами нормалізації освітлення на підставі методу SQI. Ще одним отриманим, проте очікуваним результатом, представленим у цій роботі, є підвищення точності розпізнавання із збільшенням розміру ядра фільтра. Однак великі розміри ядра фільтра є більш обчислювально-затратні і можуть спричинити негативні ефекти на вихідних зображеннях. Окрім цього, в наших експериментах було показано, що друга модифікація методу FSQI, яку ми скорочено позначаємо як FSQI3, краща майже в усіх випадках для всіх розмірів ядра фільтра, особливо якщо ми використовуємо лінійний класифікатор опорних векторів для класифікації.