УДК 004.93

МОДЕЛИРОВАНИЕ БИОМЕТРИЧЕСКОЙ СИСТЕМЫ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО ТЕРМОГРАММЕ ЛИЦА С ИСПОЛЬЗОВАНИЕМ UML

Макарова Елена Юрьевна1, Гудков Кирилл Владимирович1
1Пензенский государственный технологический университет

Аннотация
В статье проведено моделирование биометрической системы идентификации личности по термограмме лица с использованием языка UML. Рассмотрены варианты построения системы идентификации, выявлены основные актёры и смоделированы алгоритмы их взаимодействия. Представлены алгоритмы действий и состояний, происходящих в системе. Описаны программные и аппаратные составляющие.

Ключевые слова: модель, распознавание лиц, система, термограмма


MODELING BIOMETRIC SYSTEM IDENTIFICATION THERMOGRAM FACE USING UML

Makarova Elena Yurevna1, Gudkov Kirill Vladimirovich1
1Penza State Technological University

Abstract
The paper simulated the biometric identification system for facial thermogram using language UML. The variants of constructing a system of identification, identified the main actors and their interaction modeled algorithms. Algorithms actions and conditions occurring in the system. We describe the hardware and software components.

Keywords: face recognition, model, system, UML


Библиографическая ссылка на статью:
Макарова Е.Ю., Гудков К.В. Моделирование биометрической системы идентификации личности по термограмме лица с использованием UML // Современная техника и технологии. 2016. № 7 [Электронный ресурс]. URL: http://technology.snauka.ru/2016/07/10320 (дата обращения: 01.10.2017).

Биометрические системы идентификации часто используются в системах безопасности, поскольку в них для распознавания используются не специализированные физические носители информации, а признаки или особенности самого человека. На сегодняшний день в сфере создания биометрических систем идентификации большое внимание уделяется именно распознаванию по лицу человека. Одним из таких способов можно назвать распознавание по термограмме лица. Получить термоизображения можно, используя термовизоры и термографы. Термографическое наблюдение применяется в тех условиях, когда получение изображения с видеокамеры недостаточно для реализации поставленных целей [1].

Для моделирования различных видов систем активно применяют UML-диаграммы. UML (Unified Modeling Language – унифицированный язык моделирования) – язык, позволяющий описывать графически модели при разработке программного обеспечения [2].

Для описания основных вариантов использования проектируемой системой со стороны основных актёров разработаем use-case модель, представленную на рисунке 1.

Рисунок 1. Диаграмма вариантов использования

Термовизор осуществляет активацию и создание термограммы. Пользователь системы активирует термовизор и заполняет свои анкетные данные для регистрации в этой системе. Администратор заносит в базу данных нового пользователя, изменяет, при необходимости, его личные данные, удаляет пользователей из базы и обучает нейронную сеть. В свою очередь, на компьютере происходят такие процессы, как сохранение переданного с термовизора изображения во временной памяти, загрузка этого изображения на обработку, обработка термограммы и идентификация личности.  Занесение нового пользователя в базу данных включает заполнение анкеты, создание термограммы лица и запись эталонных вейвлет коэффициентов в базу. Обучение нейронной сети происходит после записи эталонных коэффициентов нового пользователя или после удаления пользователя из базы. Изменение данных пользователя состоит из заполнения анкеты. Сохранение изображения лица происходит после создания термограммы. Обработка изображения включает загрузку его на обработку, выделение контуров и вейвлет преобразование. Идентификация личности состоит из сравнения вейвлет коэффициентов, полученных после обработки изображения с теми, на которые уже обучена нейронная сеть и принятия решения о совпадении. Если коэффициенты совпали, то происходит размыкание замка, а если нет, то выводится сообщение об ошибке.

Диаграмма активности (activity diagram) представлена на рисунке 2. Диаграмма активности – это способ описания поведения на основе указания потоков управления и потоков данных. Она описывает процесс регистрации нового пользователя в системе под руководством системного администратора [3].

Рисунок  2. Диаграмма активности не зарегистрированного пользователя

После заполнения анкетных данных, нужно занести вейвлет коэффициенты разложения термограммы в базу данных. Сначала следует активировать термовизор и создать термограмму лица. Потом изображение поступает на компьютер, там оно сохраняется во временной памяти. Далее передаётся на обработку, состоящую из выделения контуров лица и вейвлет преобразования. Затем вейвлет коэффициенты записываются в базу и считаются как эталонные. Обучение нейронной сети происходит на основе эталонных коэффициентов.

Разработанная диаграмма  (Рисунок 3) отображает этапы активности системы от создания изображения термограммы лица и до принятия решения о совпадении идентичных признаков зарегистрированного пользователя.

Рисунок  3. Диаграмма активности зарегистрированного пользователя

Сначала термовизор активируется и создаётся термограмма лица. Далее изображение поступает на компьютер, где сохраняется во временной памяти, потом загружается на обработку в программу, в которой выделяются контуры лица, и происходит вейвлет преобразование. Затем тестовые вейвлет коэффициенты сравниваются с эталонными при помощи обученной ранее нейронной сети. Если данные совпали, принимается решение о совпадении и поступает сигнал для размыкания исполнительного механизма, а если нет, то выводится сообщение об ошибке и предлагается пройти процесс идентификации ещё раз. В случае положительного ответа, процесс распознавания повторяется ещё раз, а при отрицательном – выход из системы.

Диаграмма последовательности (sequence diagram) (Рисунок 4) отражает взаимодействие объектов системы, упорядоченных по времени их проявления [4].

Рисунок 4. Диаграмма последовательности

Сначала пользователь системы активирует термовизор, который создаёт термоизображение лица. Затем оно передаётся на компьютер, где проходит следующие этапы обработки: перевод в оттенки серого, фильтрация, выделение контуров лица, вейвлет преобразование, в результате которого создаются вейвлет коэффициенты. Далее вейвлет коэффициенты одного изображения сравниваются с вейвлет коэффициентами других изображений с помощью нейронной сети, и определяется степень сходства между ними.

Диаграмма состояний (state diagram) (Рисунок 5) описывает какие состояния и режимы проходит информационная система в процессе функционирования. Если происходит событие, удовлетворяющее данное состояние, то система переходит в следующее состояние, а если нет, остаётся в предыдущем, пока оно не будет удовлетворено.

Рисунок 5. Диаграмма состояний

После создания термограммы, изображение поступает на компьютер, где хранится во временной памяти, затем оно передаётся на обработку в программу, где выделяются контуры лица, и происходит вейвлет преобразование. Затем формируются вейвлет коэффициенты, которые сравниваются с эталонными коэффициентами, на которых была обучена нейронная сеть. Нейронная сеть определяет вероятность совпадения полученного сигнала с базой данных сигналов  и принимается решение о совпадении идентичных признаков.

В свою очередь диаграмма развёртывания (deployment diagram) (Рисунок 6), описывает из каких аппаратных и программных частей состоит система. Диаграмма развёртывания отображает состав и связи элементов системы, показывает, как они физически размещены на вычислительных ресурсах [5].

Рисунок 6. Диаграмма развёртывания

Система состоит из термовизора, который соединяется с сервером через кабель Ethernet. На компьютере установлена операционная система, а также программа, которая позволяет проходить процесс идентификации. Данный компьютер соединён с другим компьютером, который является сервером базы данных. На нём стоит операционная система с SQL Server. Компьютер с программой соединяется по кабелю с исполняемым механизмом, который срабатывает, если у соответствующего лица есть доступ на охраняемый объект.

Диаграмма классов (class diagram) (Рисунок 7) служит для структурного описания системы со стороны её проектирования.

Рисунок 7. Диаграмма классов

Представленная диаграмма содержит набор классов описывающих предметную область идентификации личности по термограмме лица. Ключевую роль в данной системе играет класс NeuralNet, в котором происходит построение нейронной сети и идентификация. В систему входят классы ProcessingThermograms, осуществляющий обработку термоизображения, DataBase, хранящий данные о зарегистрированных сотрудниках. Они потомки класса NeuralNet. Также есть класс TemporaryThermogram, записывающий во временную память термограмму, пришедшую с термовизора, он потомок класса DataBase.

Заключение

На основании разработанных UML-моделей возможен синтез информационной системы биометрической идентификации личности по термограмме лица на основе объектно-ориентированного подхода на языке C++ и с использованием среды моделирования Matlab. Синтез UML-моделей позволит существенно сократить время на разработку информационной системы и провести её всесторонний анализ ещё на стадии моделирования.


Библиографический список
  1. Мальцев А. Современные методы биометрической идентификации // Habrahabr. 2016. [Электронный ресурс] – Режим доступа. –  URL: https://habrahabr.ru/post/126144/ (дата обращения: 20.05.16)
  2. Диаграммы классов UML. Логическое моделирование // Информикус. –  2016. [Электронный ресурс] – Режим доступа. –  URL: http://www.informicus.ru/default.aspx?SECTION=6&id=73&subdivisionid=3 (дата обращения: 20.05.16)
  3. Гудков, К.В. Моделирование информационной системы мониторинга и контроля параметров технически сложного объекта [Текст] / К.В. Гудков, Е.К. Гудкова, М.А. Володина // Современные информационные технологии. – 2014. – № 19. – С. 191-195.
  4. Гудков, К.В. Синтез обобщённых структурных моделей информационной системы мониторинга очагов лесных пожаров [Текст] / К.В. Гудков, М.А. Володина // Современные информационные технологии. – 2013. – № 18. – С. 63-68.
  5. Гудков, К.В. Моделирование обобщённой структуры информационной стстемы контроля мониторинговых датчиков охранно-пожарной сигнализации [Текст] / К.В. Гудков, Е.А. Гудкова // Современные информационные технологии. – 2013. – № 18. – С. 74-78.


Все статьи автора «Elena Makarova»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: