ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2017

Методика восстановления субъективного портрета коллективом свидетелей с использованием 3D-морфинга

Статья опубликована в выпуске журнала № 1 за 2007 год.[ 23.03.2007 ]
Аннотация:
Abstract:
Авторы: Протасов В.И. () - , , , Михайлов Л.В. () - , , , Дружинин А.А. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 6129
Версия для печати
Выпуск в формате PDF (1.53Мб)

Размер шрифта:       Шрифт:

Развитие современных информационно-ком­муникационных технологий привело к принципиально новым возможностям их использования для решения сложных трудно формализуемых задач. К таким задачам относятся, например, принятие решений коллективом экспертов в условиях, когда интеллектуальных ресурсов отдельного индивида недостаточно для полного и точного решения.

В статье исследуется возможность применения новой информационной технологии для восстановления субъективного портрета коллективом свидетелей с использованием объемного морфинга лица. В основе технологии заложено нетрадиционное применение генетических алгоритмов.

Имеются важнейшие классы задач, еще не использующие эффективно применяющиеся во многих областях человеческой деятельности генетические алгоритмы, позволяющие существенно сократить время выполнения и повысить точность решения,  в том числе и трудно формализуемых задач. Эти задачи по характеру использования человеческого фактора примыкают к проблематике методов принятия решений экспертами, ориентированных на реализацию в человеческой информационной среде. Компьютеры, программы и базы данных используются в таких системах как вспомогательные средства для информационных процессов, управляемых людьми.

Идея применения генетических алгоритмов как интерфейса в человеко-машинной среде предложена авторами в 1997-98 гг. Главный смысл этого предложения состоит в замене автоматического вычисления функции отбора и автоматического выполнения скрещиваний и мутаций, применяющихся в генетических алгоритмах, на реализацию этих действий человеком или группой людей. Организованный таким образом метод коллективного принятия решений получил название генетический консилиум.

В генетическом консилиуме действия по непосредственной реализации отбора вариантов, скрещиваний и мутаций выполняются не программой компьютера, а коллективом экспертов посредством внесения ими информации через диалоговые интерфейсные формы.

Проведенные эксперименты показали принципиальную работоспособность метода генетического консилиума в таких классах задач. При этом во всех случаях использования генетического консилиума процессы коллегиального решения сходились достаточно быстро. Был сделан вывод о том, что качество решения зависит от уровня компетентности и полноты знаний экспертов.

Целью настоящей работы является разработка и исследование методики коллективного принятия решений экспертами в компьютерной сети при восстановлении субъективного 3D-портрета с использованием специальной программы по моделированию объемных лиц человека.

Для достижения цели было необходимо решить следующие задачи:

-    выбор метода коллективной работы для восстановления субъективного портрета экспертами;

-    выбор подходящей программы моделирования лица, совместимой с требованиями генетического консилиума, исследование ее возможностей;

-    составление правил взаимодействия и инструкций для экспертов в генетическом консилиуме при восстановлении субъективного портрета;

-    исследование качества решения поставленной задачи коллективом экспертов при совместном использовании методики генетического консилиума и программы 3D-моделирования лица.

С одной стороны, имеющиеся системы создания субъективных портретов (фотороботов) основаны на плоских изображениях и не дают полного представления о лице, находящемся в розыске, с другой стороны, сам процесс создания фотороботов становится значительно эффективнее, если опознавателю предоставляется возможность рассмотрения восстанавливаемого лица с любого ракурса, не ограниченного положениями «анфас» и «профиль». Применение коллективных методов принятия решения к созданию фотороботов должно в большей степени приблизить субъективный портрет к оригинальному изображению опознаваемого.

До сих пор еще не было попыток применить принципиально новый метод генетического консилиума к созданию объемных фотороботов. Рассмотрим основные методы коллективного творчества.

Для эффективного восстановления субъективного портрета представляет интерес применение  гибридного сетевого человеко-машинного интеллекта, построенного с использованием генетических алгоритмов, хорошо зарекомендовавших себя при решении сложных оптимизационных задач и позволяющих существенно сократить время проведения согласования вариантов решений и выхода на консолидированный результат.

Такой гибридный сетевой человеко-машин­ный интеллект, основанный на методе генетического консилиума, впервые был исследован на задаче коллективного конструирования фоторобота. Для координации коллективной работы экспертов использовались правила взаимодействия, разработанные на основе генетических алгоритмов. Был доказан эффект усиления интеллекта при решении разнообразных творческих задач по сравнению с интеллектом отдельных экспертов, составляющих консилиум.

Существенным преимуществом данного метода по сравнению с известным методом мозгового штурма является независимость качества результатов работы от человеческого фактора, часто не дающих возможностей для полноценной коллективной работы знающих свое дело специалистов. В качестве координатора совместной работы выступают специально разработанные правила взаимодействия, автоматически направляющие коллективную совместную работу экспертов в нужное русло, определяемую главным образом целью проекта и суммарными знаниями и умениями экспертов.

Существующий ныне традиционный метод восстановления субъективного портрета (фоторобота) использует способности человека к рисованию, не у всех хорошо развитые. Способности же человека, даже ребенка, к распознаванию ранее увиденных лиц уникальны, часто достаточно небольшого времени для запоминания какого-либо лица, чтобы уверенно его узнать и отличить от множества других.

Именно на этих  способностях и построен новый метод восстановления субъективного портрета. Метод основан на применении приемов организации коллективного человеко-машинного интеллекта, в основу которых заложено оригинальное использование генетических алгоритмов и с помощью которых осуществляется синхронизация коллективной работы группы свидетелей по генерации фоторобота.

Генетический консилиум – это способ организации коллективной работы людей, работающих совместно над единым проектом с заранее заданной целью по правилам, основанным на  принципах классического генетического алгоритма и сформулированных в виде инструкций организации индивидуальной работы экспертов проекта и их взаимодействия. Можно сказать, что  генетический консилиум – это способ организации идеального интерфейса включения человека в качестве естественного интеллектуального агента в информационную среду. При включении в информационную среду  через этот интерфейс многих людей может возникнуть «коллективный разум». Интерфейс построен на генетических алгоритмах.

Впервые генетические алгоритмы были описаны в 1975 году в работе Голланда «Адаптация в природе и искусственных системах». Их общий смысл сводится к моделированию процесса эволюции в информационной среде. В качестве особей, подверженных естественному отбору по величине целевой функции, выступают решения некой оптимизационной задачи.

Как и в природе, задача алгоритма – отбор наиболее пригодных особей для дальнейшего участия в процессе воспроизводства и нахождение наиболее пригодной особи – решение оптимизационной задачи. Работа генетических алгоритмов сводится к обработке популяции (множества) из N особей, составляющих популяцию решений. Каждая особь представляет собой эквивалент решения задачи. Ее аналогом в природе является хромосома, состоящая из совокупности генов. Ген может принимать значения из предопределенного множества, составляющего значения отдельных, подлежащих определению параметров задачи. Пригодность каждой особи-хромосомы определяется с помощью функции соответствия, которая непосредственно связана с целевой функцией решаемой задачи.

Генетический алгоритм является независимым от области определения, он применим ко всем функциям, которые могут быть оценены. Для поиска решения требуется: выбор способа представления возможных решений через гены (параметры задачи); задание целевой функции, которая отображает значение из области возможных решений в виде скалярного значения и выбор алгоритма проведения скрещивания (кроссовинговера) хромосом.

Классический генетический алгоритм содержит только одну основную структуру данных – совокупность особей. Каждая особь представляет элемент внутри области решения оптимизируемой задачи, то есть возможное решение задачи. Представление особи – довольно сложная проблема. Хромосома – единственный источник всей информации относительно соответствующего решения.

Важно понять, что для того чтобы можно было применить генетический алгоритм к новой проблеме, необходимо изменить только два элемента классического генетического алгоритма – представление особей и определение целевых функций. Именно это свойство вкупе с параллелизмом метода и позволило создать достаточно простой и эффективный способ коллективного творчества.

Генетические алгоритмы работают с популяцией, изменяя ее компоненты. Для этого используются генетические операторы. Они берут свое происхождение из природы, основой развития которой являются отбор и мутация. Отбор оставляет в популяции более сильные индивидуумы и отбраковывает более слабые. Мутация, в свою очередь, может случайным образом изменять значения генов, увеличивая их набор в популяции.

Применение генетических алгоритмов при практическом использовании наталкивается на ряд ограничений и трудностей. Так, например, вычисление целевой функции должно осуществляться достаточно быстро, для того чтобы за приемлемое время можно было оценить достаточное количество многих поколений особей. Имеется также много осложнений, связанных с представлением особей. Если представление не выбрано тщательно, может быть нарушено однозначное соответствие между представлением решений задачи и фактическими решениями.

Для особо сложных случаев большую трудность представляет осуществление схемы кроссовинговера. Такие задачи могут быть решены только после нахождения его приемлемой схемы.

Правила взаимодействия в генетическом консилиуме

Сформулируем типичную и довольно простую задачу для решения ее методом генетического консилиума и правила взаимодействия между интеллектуальными агентами. Допустим, что необходимо заполнить некоторую первоначально пустую таблицу, состоящую из M строк (слотов проекта). Ставится цель проекта – заполнить слоты каркаса каким-либо текстом, чтобы совокупность последовательно записанных букв или фраз на некотором языке удовлетворяла условиям задачи. Исходя из последовательности выполнения операторов генетических алгоритмов, получим правила взаимодействия между интеллектуальными агентами в следующем виде.

1. Сформулированы одна или несколько целей проекта и требования к нему. Определен состав интеллектуальных агентов и способ их взаимодействия. Сформулирована и роздана система правил генерации вариантов решений (или их частей), оценки, ранжирования, отбора лучших вариантов, скрещивания, мутации. Задан каркас проекта (план проекта, структура документа и т.д.).

2. Интеллектуальные агенты приступают к работе, генерируя первое приближение (заполняют слоты каркаса полностью или частично). По правилам взаимодействия обмениваются копиями своих решений.

3. Каждый интеллектуальный агент ранжирует варианты по своему усмотрению, выполняет оператор естественного отбора, оставляя несколько лучших вариантов.

4. Каждый интеллектуальный агент комбинирует из оставленных им вариантов новые (эквивалент кроссинговера), вносит очевидные изменения (эквивалент генетического оператора мутация).

5. Эти варианты отправляются респондентам, а агент получает чужие лучшие варианты. Когда популяция решений выродится (прислано много одинаковых решений), проект считается выполненным, иначе осуществляется переход на п. 3.

Примечание. Правила взаимодействия намеренно сформулированы в обобщенной форме, без конкретной детализации распределения работ между компьютерами-клиентами и компьютером-сервером, поскольку при работе метода в Интернете возможной является децентрализованная организация взаимодействия, исключающая наличие компьютера-сервера. Детальные инструкции разрабатываются под каждую задачу отдельно, учитывая  ее специфику и возможную квалификацию интеллектуальных агентов.

Программа 3D-морфинга лица FaceGen Modeller

Одной из задач данной работы является освоение и исследование возможностей программного продукта FaceGen Modeller компании Singular Inversions для восстановления субъективного портрета по данным свидетелей. FaceGen Modeller – это универсальный инструмент для моделирования реалистичных трехмерных лиц.

Технологии FaceGen активно используются разработчиками компьютерных игр, киностудиями, университетами и компаниями, продающими программное обеспечение по распознаванию лиц и по визуализации лица в хирургии. Такое широкое применение объясняется возможностью интеграции самых передовых разработок, используемых в FaceGen, в области моделирования 3D-лиц в собственное программное обеспечение.

FaceGen Modeller использует графический ускоритель OpenGL 1.1.

Модель головы в программе представляется с помощью полигонов. Реализована технология непрерывного морфинга. Другими словами, пользователи программы могут непрерывно изменять форму различных частей лица.

Интерфейс программы достаточно прост. Манипулирование моделью головы производится при помощи мыши и клавиатуры. Модель можно рассматривать в различных ракурсах, приближая и отодвигая ее. Вначале формируются основные признаки (раса, пол, возраст) восстанавливаемого лица. Затем с помощью функции Generate, которая генерирует произвольные лица, можно попытаться найти лицо, похожее на восстанавливаемое. После того как сформировали лицо в первом приближении, вносятся локальные изменения в форму лица: размер лба, глаз, бровей, носа, рта, расстояния между различными частями лица и пр.

В отдельных случаях бывает полезным загрузить портрет, который по каким-либо признакам совпадает с оригиналом. Теперь с помощью функции Tween можно непрерывно переходить от текущего моделируемого лица к целевому по параметрам формы и текстуры лица. Для того чтобы найти выражение лица, которое трудно получить вручную, используется функция Genetic, генерирующая лица. Параметр Randomness задает процент отличия генерируемых лиц от текущего.

Другим способом восстановления лица является функция PhotoFit, которая восстанавливает 3D-модель головы по одной или более фотографиям (анфас, профиль). От эксперта в этом случае требуется только правильно расположить контрольные точки на фотографиях, по которым программа будет производить восстановление. Данный способ восстановления лица в настоящей работе использовался для тестирования качества работы программы.

Для проверки эффективности и работоспособности разработанной методики были проведены качественные эксперименты по восстановлению субъективного портрета группой студентов. Из анализа возможностей программы FaceGen Modeller использовались функции Tween и Genetic в качестве операторов кроссовинговера и мутации соответственно.

Для координирования работы всем экспертам были розданы инструкции, составленные по правилам взаимодействия в генетическом консилиуме. Было проведено два эксперимента. В первом принимало участие три человека, во втором четыре. Эксперименты проводились в компьютерной сети. Каждый эксперт работал на отдельном компьютере и прошел тренинг по моделированию лица в программе FaceGen. На каждом компьютере-клиенте были созданы папки «Задания» и «Решения». Координировал работу администратор, который работал на компьютере-сервере и имел доступ к компьютерам-клиентам экспертов. В функции администратора входило:

-    перемещать варианты с компьютеров-кли­ентов из папки «Решения» на компьютер-сервер;

-    распределять варианты таким образом, чтобы каждый эксперт получил два различных чужих варианта, которые перемещались на компьютер-клиент в папку «Задания»;

-    определять окончание итераций, когда варианты станут похожими друг на друга либо по окончании допустимого времени эксперимента. Во втором случае решением считается наиболее часто повторяющиеся варианты.

Для проверки устойчивости метода к некорректным данным во втором эксперименте одному из экспертов было дано задание намеренно вносить искажения в свой вариант, отдаляющие изображение лица от истинного. Несмотря на эти помехи, метод успешно сошелся к оригиналу.

Результаты экспериментов показали принципиальную работоспособность метода генетического консилиума для восстановления субъективного портрета с использованием 3D-морфинга лица.

Сгенерированные экспертами лица в ходе коллективной работы оказались похожими на оригиналы в достаточной мере. Результаты же восстановления субъективных портретов в первой итерации существенно отличались друг от друга и от оригинала.

Второй эксперимент показал нечувствительность метода к введению небольшого количества некорректных данных. Следует надеяться, что после анализов результатов совместной работы свидетелей, можно определить свидетеля, дающего ошибочные варианты.

Метод генетического консилиума привел к удовлетворительным результатам даже в своей упрощенной постановке. Оба эксперимента всего за четыре итерации сошлись к коллегиальному решению, что демонстрируют и другие эксперименты, поставленные исследователями при решении различных творческих задач с использованием генетических алгоритмов.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=410
Версия для печати
Выпуск в формате PDF (1.53Мб)
Статья опубликована в выпуске журнала № 1 за 2007 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: