Kopsavilkums un secinājumi. Biosen apakšgrupas, kas nodarbojas ar 3D sejas atpazīšanu, pēdējā ceturksnī uzstādītais mērķis daļēji tika sasniegts, jo tika veikta sejas detektēšana attēlā ar augstu precizitāti (98.8% bija korekti), izstrādes procesā ir arī sejas lokalizācija. Kad tiks uzlabots sejas detektēšanas algoritms, tad varēs veikt vairāk eksperimentus arī sejas lokalizācijai un noskaidrot šīs metodikas precizitāti. Līdz ar to trešais izvirzītais mērķis – sejas atpazīšanas algoritms, kas balstās uz ”Local Binary Patterns” ir sākotnējā izstrādes stadijā un turpmākā pētniecība tiek saistīta tieši ar šo algoritmu. Arī izveidotā datubāze nepieciešamajiem eksperimentiem ir pietiekoši liela, bet nākotnē plānots to papildināt. Izveidotā plaukstas biometrijas sistēma var tikt izmantota drošības sistēmās objektos ar mazu apmeklētāju skaitu (zem 50). Piedāvātai sistēmai ir vairākas priekšrocības:
Kopsavilkums un secinājumi. Ir paveikts kārtējais darbu apjoms saistībā ar CarMote iegultās iekārtas prototipa izstrādi, kā arī eksperimentāli pārbaudīta izvēlētā pozicionēšanas sistēmas multimodālā risinājuma precizitāte. Grupas darbības rezultāti ir prezentēti Viedo sensoru un biofotonikas seminārā LU Atomfizikas un spektroskopijas institūtā. Atbilstoši GCDC sacensību tehniskajiem noteikumiem, ir sagatavots un iesniegts publikācijas abstrakts [9], kā arī video par aktivitātēm GCDC sacensību kontekstā. Turpinot aktivitātes viedo transporta sistēmu jomā, ir paredzēts pabeigt CarMote iegultās iekārtas prototipa aparatūras un programmatūras izstrādi, kā arī veikt tā testus reālos, praktiskam pielietojumam pietuvinātos apstākļos. Turpinot eksperimentus ar GPS uztvērējiem un inerciālajām mērījumu iekārtām, sadarbībā ar projektu ”Inovatīvas signālapstrādes tehnoloģijas viedu un efektīvu elektronisko sistēmu radīšanai” ir paredzēts izveidot pozicionēšanas sistēmu, kuru būtu iespējams izmantot GCDC sacensību auto aprīkojuma sastāvā. Veicot praktiskus eksperimentus ar OBDII saskarnes moduli, ir paredzēts veikt auto elektroniskās sistēmas datu ieguvi un izmantošanu, kas ir būtiska gan GCDC sacensību, gan arī viedo transporta sistēmu kontekstā. Savukārt uzsāktā ceļa meteo datu ieguve, izmantojot mobilus sensorus, ļaus veidot sinerģiju ar projektu ”Multifunkcionāla inteliģenta transporta sistēmas punkta tehnoloģija”.
Kopsavilkums un secinājumi. 4.4.1 MansOS
Kopsavilkums un secinājumi. Piedāvātais adaptīvais LC diskretizācijas paņēmiens salīdzinājumā ar klasisko LC metodi samazina to nolašu skaitu, kas būtiski neuzlabo signāla atjaunošanas kvalitāti. Vienlaicīgi tiek nodrošināta signāla lokāliem maksimumiem un minimumiem tuvu izvietotu nolašu ieguve, kas paaugstina signāla atjaunošanas precizitāti. Diskretizācijas rezultātā iegūst trīs atšķirīgu notikumu virkni, kuru energoefektīvai pārraidei tiek izmantoti trīs dažādi UWB impulsi. Uztvērēja daļā, veicot UWB signāla ciparu apstrādi spektra ekstrapolācijai, tiek atjaunota saņemto impulsu formu pēc to zemfrekvenču filtrācijas. Rezultātā impulsi un tiem atbilstošie notikumi tiek atšķirti, kas nepieciešams signāla nolašu vērtību atjaunošanai. Laikā nepārtraukta signāla iegūšanai atrastās nolases tiek interpolētas, kas runas signāla gadījumā dod pietiekami labu rezultātu, lai to audiāli skaidri saprastu. Nodaļā aprakstītie rezultāti sagatavoti un iesniegti publicēšanai (X.Xxxxxxxx and X.Xxxxxxxx, ”Data acquisition by adaptive level crossing and transmission by UWB pulses”) konferencei ICASSP 2011.
Kopsavilkums un secinājumi. BioSen grupas darbības rezultātā tika izveidoti vairāki efektīvie attēlu apstrādes algoritmi pielietojumiem biometrijā. Tika izveidots automātisks sejas atpazīšanas algoritms, kas ir raksturīgs ar augsto precizitāti un salīdzinoši lielu skaitļošanas efektivitāti. Par algoritmiem tika sagatavotās vairākās starptautiskas publikācijas, kas ir pieejamas IEEE datubāzē. Nākotnē tiek plānots izstrādāto algoritmisko bāzi pielietot citos projektos un izveidot iegultas sejas atpazīšanas sistēmas demonstrātoru.
Kopsavilkums un secinājumi. Šajā nodaļā tika parādīts, ka ņemot vērā signāla laikā mainīgo apliecēju, iespējams samazināt ASDM ķēdes aktivitāti. Rezultātā samazinās iegūto laika kodu daudzums, neskatoties uz ko, signāla perfekta atjaunošana joprojām ir iespējama, jo maksimālais attālums starp secīgām laika vērtībām nepārsniedz Naikvista soli. Dažādām α = β vērtībām enerģiju AA-ASDM gadījumā var ietaupīt pat līdz 59.86%. Pieaugot α = β vērtībām, adaptīvās ķēdes priekšrocība samazinās, tomēr nav ieteicams izvēlēties lielas šīs vērtības, jo laika intervāli starp secīgiem pārslēgumiem tad samazinās un lielāks bitu skaits ir nepieciešams to kodēšanai. Pārāk zemas α = β vērtības arī nav ieteicamas, jo tad augsta ķēdes aktivitāte ir gan ASDM, gan AA-ASDM gadījumos. AA-ASDM efektivitāti var uzlabot, ja nav nepieciešama signāla apliecējas pārraide. Ņemot vērā, ka apliecēja izriet no paša signāla, tad izstrādāt varētu tādu atjaunošanas algoritmu, kas tikai no augšējā trigera (6.3. attēlā) ģenerētās laika secības spētu atjaunot sākotnējo signālu. Rezultātā signāla apliecēju vairs nebūtu jāpārraida, samazinātos kopējais pārsūtāmo datu apjoms, kā arī vienkāršotos AA-ASDM blokshēma. Šāda algoritma izstrāde ir turpmāko pētījumu mērķis.
Kopsavilkums un secinājumi. Šajā atskaites periodā tika veiksmīgi veikta automātiskā LBT sejas atpazīšanas algoritma testēšana uz Color FERET datubāzes. Algoritms daļēji arī papildināts ar funkcionalitāti un precizitāti uzlabojošiem blokiem. Katram algoritma etapam tika noteikti sekojošie parametri: • Sejas detektēšanas bloks. Aprēķināta kumulatīva sadalījuma līkne relatīvai (attiecībā pret reālo sejas izmēru) sejas nobīdei no pareizās pozīcijas. • Sejas lokalizācijas bloks. Aprēķināta kumulatīva sadalījuma līkne relatīvai (attiecībā pret attālumu starp acīm) acu nobīdei no pareizās pozīcijas. Pie ηeye = 0.1 lokalizācijas precizitāte abām acīm ir PL = 74.4%, kas pārsniedz tādas metodikas, ka ASEF un Haar. • Sejas atpazīšanas bloks. Noteikta kumulatīvas sakritības raksturlīkne (Cumulative Match Characteristic). Pie Rank = 1, identificēšanas varbūtība ir PI = 82.4% Veiksmīgi tika realizēti arī vairāki eksperimenti, lai pārbaudītu alternatīvā sejas atpazīšanas algoritma precizitāti. Izmantojot labu datubāzi, ar kvalitatīviem attēliem, precizitāte bija augsta. Turpmākie plāni ir LBT sejas atpazīšanas algoritma papildināšana un uzlabošana. Tiek plānots apskatīt līdzīgas, bet komplicētākas un iespējams precīzākas metodikas sejas atpazīšanas jomā, piemēram, Local Ternary Patterns. Svarīgs aspekts, kurš prasa uzlabojumus un turpmākos pētījumus ir garuma samazināšana sejas aprakstošam vektoram (dimensionalitātes mazināšana), kas ļaus ieekonomēt gan atmiņas resursus datubāzes glabāšanai, gan paaugstināt sistēmas ātrdarbību. Alternatīvajā sejas atpazīšanas algoritma precizitāti nākotnē plānots pārbaudīt uz jau minētās FERET datubāzes. Tiks noteikts arī slieksnis, lai personas, kas nav datubāzē, netiktu atpazītas kā datubāzē esošās, piemeklējot līdzīgāko seju.
Kopsavilkums un secinājumi. Navigācijas sitēmas pilnveidošanas laikā tika paveikts: – Navigācijas programmatūra tika pārveidota un pilnveidota tā, lai atdalītu ”reālās vides” daļu no ”simulācijas vides” daļas; – Tika pilnveidota navigācijas programmatūras ”simulācijas vides” daļa, t.i. matemātikās struktūras un instrumenti, kustību datu konvertācijas un analīzes rīki un lietotāja saskarnes elementi; – Tika pilnveidotas Navigācijas sitēmas pilnveidošanas un testēšanas secinājumi: – paaugstināt drošību: stabilo ”reālās vides” daļu var izmantot citos projektos, kāmēr ”simulācijas vides” daļā tiek testētas jaunas pieejas un algoritmi; – paaugstināt ērtību: ir ērti testēt jaunas pieejas un algoritmus; – veidot navigācijas sistēmas un to komponenšu darbības demonstrācijas viesiem, semināros, prezentācijas u.c. pasākumos;
Kopsavilkums un secinājumi. Tika veikta ESPAR1 antenas starojuma diagrammas mērījumu sērija. Iegūtie rezultāti kvantitatīvi sakrīt ar prognozētajiem; • Viecot skaitliskos aprēķinus, lai noskaidrotu vienkārša starojuma diagrammas modeļa precizitāti, tika secināts, ka šis literatūrā bieži lietotais modelis nemaz tik labi neapraksta antenas starojuma diagrammu.
Kopsavilkums un secinājumi. Piedāvatias sejas atpazīšanas algoritms balstās uz inovatīvās kombinācijas. Labākais atpazīšanas rezultāts ir sasniegts pielietojot sekošas metodes: MSLBP + MF + FW + BW. Atpazīšanas precizitāte šajā gadījumā sasniedza 99.2%, kas ierindojas pasaules labāko rezultātu augšgalā. Nākotnē tiek plānots apvienot iepriekšējās atskaitēs aprakstītas metodikas ar mērķi izveidot automātisko sejas atpazīšanas algoritmu un novērtēt tā precizitāti uz FERET datubāzes. Automātiskais sejas atpazīšanas algoritms sastāv no trim posmiem: sejas detektēšana, sejas lokalizācija / acu detektēšana un sejas atpazīšana. Sejas detektēšana un lokalizācija balstīsies uz ANN un LBP kombinācijas.