Информационная система контроля знаний для проведения группового экзаменаalfim@iu3.bmstu.ru, devyatkov@iu3.bmstu.ru Московский государственный технический университет им. Н. Э. Баумана г. Москва В различных областях человеческой деятельности шир окое применение получили системы автоматической идентификации, основанные на различных биометрических параметрах человеческого тела: отпечатки пальцев, сетчатка глаза, голос и т.д. Действительно, такие системы обладают высокой точностью распознавания человека, но многие из них очень дороги или требуют специальной аппаратуры для своего функционирования. В работе предлагается информационная система компьютерного зрения, которая работает на стандартном компьютере и дополнительно требует лишь наличие бытовой Web-камеры. Система используется для автоматического исключения человеческого фактора при проведении группового тестового экзамена на персональны х компьютерах. То есть, система решает задачу контроля доступа студента к его экзаменационному тесту, при этом проверяя не только имя и пароль доступа, но и совпадение изображения человека вводящего данные с изображением человека, занесенного в базу данных (рис. 1). Таким образом, исключается возможность передачи паролей между студентами и преднамеренная сдача экзамена одним студентом за другого. Рис. 1. Графический пользовательский интерфейс Информационная система работает в реальном времени и обладает следующими особенностями: 1. Быстрое распознавание на персональном компьютере: Pentium 4/ 2 GHz / 1 Gb RAM/ OS Windows XP/Web-camera Logitech Pro 5000.2/ 640 480/ 30 кадр/с. Для распознавания человека с помощью технологии агрегирования си стеме требуется около 1000 – 1500 мс. 2. Автоматическое определение области интересов. Система автоматически находит человека в видеопотоке идущим от камеры (на основе алгоритмов: оптический поток для определения движущегося объекта, каскад обнаружения лиц, основанный на характерных признаках Хаара, анализ цвета кожи в цветовом пространстве HSB (цветовой тон-насыщенность-яркость)) и использует полученные данные для распознавания или для обучения [6, 7]. Видеокамера, установленная на компьютере, не требует калибровки. За счет агрегирования нескольких алгоритмов информационная система может устойчиво распознавать одного и того же человека под разными углами (+/ - 30\% от фронтальной позиции по отношению к объективу) и на разном расстоянии, при динамическом освещен ии (коэффициент естественной освещенности 0,7 -1,0; мощность освещения 150-250 люкс и коэффициент пульсации 17-21), на сложно-текстурном фоне. 3. Удобное администрирование. Разработана специальная консоль администрирования системы. 4. Распределенное хранение базы данных. Реализован механизм, как единого хранения базы данных пользователей системы на сервере и передачи данных авторизации через сеть, так и распределенное хранение часто используемых частей базы на клиентских машинах. Контроль доступа основан на технологии распознавания человека с использованием агрегирования информации. Агрегирование информации - один из важнейших аспектов построения современной интеллектуальной системы [1, 2, 4, 5]. В работе рассмотрен алгоритм агрегирования данных на основе нечетког о интеграла Шоке [3]. Данный нечеткий интеграл обеспечивает эффективное и естественное объединение данных от разных источников информации. Под источником информации понимается некоторый алгоритм распознавания объекта, выдающий данные, позволяющие распознать объект, то есть отнести его к какому либо заданному классу объектов. Для распознавания человека по его лицу и верхней части тела в системе использовались три алгоритма распознавания: Скрытая Марковская модель (СММ), Алгоритм определения цвета (АОЦ), Алго ритм нахождения соотношений (АНС). Проведенные эксперименты по оценке точности и устойчивости системы, на статистически достоверной выборке, подтвердили высокую эффективность технологии агрегирования в задачах распознавания, которая также позволяет решить одну из основных проблем конструирования современных информационных систем компьютерного зрения: максимальное увеличение коэффициента точности распознавания (98\%) и максимальное уменьшение коэффициента неустойчивости распознавания (0,1\%). Список литературы 1. Девятков В.В., Алфимцев А.Н. Интеллектуальный мультимодальный интерфей с для анализа мультимедийной информации // Сб. трудов Всерос. конф. с межд. уч. Тех. и прогр. ср. сис. упр., контр. и измер. УКИ’10.-Москва, 2010.-С. 64 – 79. 2. Bolanos M.J. Numerical experimentation and comparison of fuzzy integrals // Mathware & Soft Computing.-Vol. 3, 1996.- pp. 309-319. 3. Chen X., Jing Z., Xiao G. Fuzzy Fusion for Face Recognition // Fuzzy Systems and Knowledge Discovery.-Vol. 36, 2005.- pp. 672-675. 4. Kwak K., Pedrycz W. Face recognition: A study in information fusion using fuzzy integral // Patt. Recog. Lett.- Vol. 26, 2005.- pp. 719-733. 5. Liu Z. Dynamic image sequence analysis using fuzzy measures // IEEE trans. on sys., man, and cybern.- Vol. 31, №4, 2001.-pp. 557-572. 6. Yang J., Waibel A. A real-time face tracker // Proc. of the Third IEEE Workshop on Applicat. of Comp. Vision.- Cambridge, 1996.-P. 142-147. 7. Wu H., Chen Q., Yachida M. Face Detection From Color Images Using a Fuzzy Pattern Matching Method // IEEE Transactions on pattern analysis and machines intelligence. - 1999.-Vol.21, № 6.-P. 557-563. О.Н. Артамонов |
| Оглавление| |