|
Список цитируемой литературы:
1. ГОСТ 32144–2013 Электрическая энергия. Совместимость технических средств электромагнитная.
Нормы качества электрической энергии в системах электроснабжения общего назначения. Утвер-
жден Приказом Федерального агентства по техническому регулированию и метрологии от 22 июля
2013 г. № 9400-ст.
2. Грачева Е. И., Копытова Н. А. Анализ потерь электроэнергии систем цехового электроснабжения //
Известия ВУЗов. Проблемы энергетики. 2011. №9–10, С. 78–85.
3. Шпиганович А. Н., Скоморохов П. И. Проблемы качества электроэнергии в системах электроснабже-
ния потребителей с резкопеременной и ударной нагрузкой // Вести высших учебных заведений Чер-
ноземья. 2014. №3. С. 18–20.
PROBLEMS OF ELECTRIC POWER QUALITY OPTIMIZATION IN THE DISTRIBUTION
ELECTRICAL NETWORKS
Skomorokhov P. I., Zatsepina V. I.
Branch of JSC «SO UES» Lipetsk RDM, Lipetsk, Russia
Lipetsk State Technical University, Lipetsk, Russia
The analysis of scientific and industrial problems regarding the optimization of key indicators of
the quality of electricity in distribution electrical networks is considered. The role of the balance of
economic and technical essence in the process of developing optimization solutions is discussed.
Keywords: power quality, optimization criteria, network perturbation, dynamic compensation,
power supply system, voltage regulation
103
УДК 004.932
ОБРАБОТКА ДАКТИЛОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ В СИСТЕМАХ
БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ
Тарасов В. В., Куляс О. Л.
Поволжский государственный университет телекоммуникаций и информатики, Самара,
Россия
Рассмотрены вопросы предварительной обработки и бинаризации дактилоскопических
изображений в системах биометрической идентификации. Показано, что использование адап-
тивной локальной бинаризации и последующая фильтрация морфологическими методами поз-
воляет отказаться от использования фильтра Габора для улучшения изображений.
Ключевые слова: дактилоскопия, обработка изображений, биометрическая идентифика-
ция, фильтр Габора, адаптивная бинаризация
Дактилоскопия является наиболее старым способом идентификации личности, который
использует уникальность папиллярных узоров пальцев человека и широко применяется в
современных системах контроля доступа. Идентификация производится путем сравнения циф-
рового образа отпечатка с базой существующих эталонов. Наиболее перспективным является
двухэтапный классификатор, который позволяет сначала отнести отпечаток пальца к одному из
пяти классов по типу папиллярного узора (глобальный признак), а уже затем, производить
сравнение с существующими эталонами этого класса, используя локальные признаки.
Локальные признаки (минуции) представляют собой набор небольших особенных точек
для каждого отпечатка пальца, расположение которых являются уникальными. Дактилограмма
пальца может обладать сходными с другими глобальными признаками, но локальные признаки
будут неповторимы и соответствовуют только данному отпечатку. Дактилограмма может на-
считывать до 70 минуций [1].
Рисунок 1. Алгоритм идентификации
Несмотря на то, что на изображении отпечатка пальца можно выделить до 13 видов осо-
бенностей по которым можно выполнить классификацию, на практике используют всего два их
типа:
104
1. Конечные точки (окончания) — точки, в которых определенно заканчиваются линии
папиллярного узора;
2. Точки ветвления (бурификация) — определяются как точки, в которых папиллярные ли-
нии раздваиваются.
Алгоритм идентификации с использованием особых точек можно представить структур-
ной схемой, показанной на рис.1 [2].
Несмотря на то, что методы такой идентификации достаточно широко и успешно исполь-
зуются в системах контроля доступа, каждый из этих этапов может быть усовершенствован с
целью уменьшения вычислительных затрат и снижения ошибок как первого, так и второго
рода. При этом четыре первых этапа алгоритма представляются наиболее ответственными, по-
скольку именно они определяет обнаружение или пропуск ветвлений или окончаний папилляр-
ных линий.
Традиционное использование фильтра Габора на этапе улучшения изображения требует
предварительного расчета некоторых параметров, которые в дальнейшем необходимо интер-
активно изменять. Это обстоятельство усложняет использование этого фильтра. Поэтому было
решено объединить этапы предобработки и бинаризации изображения в один. Для этих целей
используем бинаризацию с адаптивным локальным порогом, вычисляемым на основе
локальных свойств некоторой окрестности пикселов. В качестве таких свойств используем
локальную среднюю яркость
xy
m
и стандартное отклонение
xy
D
. Тогда значение порога для
каждого пиксела изображения можно записать в виде
xy
xy
T am
bD
.
Размеры локальных областей и коэффициенты a и b в зависимости от вида изображения
могут меняться в достаточно широких пределах, подбираемых экспериментально [3]. При пра-
вильном выполнении бинаризации с адаптивным порогом качество результирующего бинар-
ного изображения оказывается достаточно высоким. Это объясняется тем, что значительное
число шумовых компонент и артефактов, вызванных неравномерным распределением яркости
будут классифицированы как мелкие изолированные объекты переднего плана и легко могут
быть удалены (см. рис.2).
Рисунок 2. Исходное, бинаризованное и информативная часть бинаризованного изображения
Дальнейшая предобработка изображения с целью устранения мелких шумовых состав-
ляющих и сглаживания границ папиллярных линий выполняется методами морфологической
обработки [3]. Применим к информативной части бинарного изображения Ibw морфологиче-
скую обработку структурообразующим элементом В крестообразной формы размером 3х3.
Вначале выполним последовательно операции эрозии и дилатации по структурообразующему
105
элементу В. Эта последовательность операций называется размыканием и описывается выраже-
нием
1 (
)
Ibw
Ibw B
B Ibw B
.
Результат этих действий показан на рис.3 слева. Видно, что большинство мелких объектов
переднего плана исчезло, а изрезанность краев значительно уменьшилась. Однако на некоторых
папилярных линиях образовались разрывы шириной в один пиксел.
Теперь применим к получившемуся изображению Ibw1 операции дилатации по B, за кото-
рой следует эрозия по тому же примитиву B:
2 (
)
Ibw
A
B B A B
.
Такая последовательность операций носит название замыкания. Результат показан
на рис.3 справа. Видно, что разрывы в один пиксел устранены, а края линий еще больше
сглажены.
Рисунок 3. Результаты морфологической обработки. Слева — размыкание, справа — замыкание
после размыкания
Таким образом, использование сочетание адаптивной бинаризации по локальному порогу
и морфологической фильтрации позволяет получить бинарное изображение дактилограммы,
пригодное для использования на следующих этапах алгоритма идентификации (см. рис.1).
Do'stlaringiz bilan baham: |
