Диссертация (Распознавание лица на телевизионных изображениях при наличии искажающих факторов), страница 11

3.6.77сРис. 3.6. Блок-схема алгоритма распознавания лиц на основелокальных квантованных шаблонов и фильтров Габора78Предложенная процедура составления словаря, необходимого дляработы алгоритма на основе локальных квантованных шаблонов, позволяетпомимо решения проблемы граничных эффектов значительно сократитьколичество используемых кластеров при сопоставимом уровне верногораспознавания, и как следствие, уменьшить итоговое число признаков,характеризующих изображение лица.

В табл. 3.3 приведены данные поуровню верного распознавания алгоритмов, построенных на основеразличныхмодификацийлокальныхквантованныхшаблоновбезиспользования фильтров Габора, в сравнении со стандартным алгоритмомЛБШ, при тестировании на наборе fb из базы FERET [51] (табл. 3.3).Таблица 3.3Сравнение различных модификаций локальных бинарных шаблоновна тестовом наборе fb базы FERETАлгоритмЛКШ (однозначноеЧислоЧислоЧисло верныхкластеровпризнаковидентификаций200270001164 (97,4%)5067501158 (96,9%)5067501166 (97,6%)2027001157 (96,8%)25634560933 (78,1%)отнесение к кластеру)ЛКШ (однозначноеотнесение к кластеру)ЛКШ (вероятностноеотнесение к кластеру)ЛКШ (вероятностноеотнесение к кластеру)ЛБШДля дальнейших экспериментов была выбрана модификация локальныхквантованных шаблонов с использованием 50 кластеров для однойподобластиивероятностнымотнесениемккластерамсогласнопредложенной процедуре составления словаря.Особеннополезнойстановитсяспособностьмодифицированногоалгоритма сокращать число признаков при работе на изображениях,79обработанных фильтрами Габора.

Если составлять гистограмму признаков наоснове стандартных локальных бинарных шаблонов на наборе габоровскихизображений, длина гистограммы признаков может оказаться оченьзначительной величиной. Например, при разбиении изображения наP = 9х15 = 135подобластейединаястандартногонабора40изгистограммафильтровприГабораиспользованиибудетсостоятьиз 135х256х40 = 1 382 400 значений (столбцов). Если высоту каждогостолбца хранить в4-байтовой переменной (целое число для 32-битныхсистем), объем памяти, необходимый для хранения одной гистограммы,будет превышать 5 Мб.

При работе с большими базами изображений лиц этоможет стать проблемой, так как не позволяет при нехватке оперативнойпамяти сохранять в быстром доступе все гистограммы признаков, чтосерьезно замедляет процедуру сравнения изображения лица с эталонами.Кроме того, даже самая простая процедура сравнения гистограмм методомпересечения, требует значительных вычислительных затрат при количествестолбцов порядка миллиона. Поэтому сокращение числа признаков за счетмодифицированного алгоритма оказывается весьма полезным.Рассмотрим, как совместное использование фильтров Габора и ЛКШможет увеличить число верных идентификаций при стандартном тесте fb набазе FERET [51] в сравнении с существующими открытыми реализациямиалгоритмов распознавания лиц из библиотеки OpenCV [84, 85] (табл.

3.4).Таблица 3.4.Сравнение алгоритмов распознавания лиц на тестовом наборе fb базы FERETАлгоритмЧисло верных идентификацийМГК (OpenCV)872 (73,0%)ЛДА (OpenCV)948 (79,3%)ЛБШ (OpenCV)933 (78,1%)ЛКШ (без фильтров Габора)1166 (97,6%)ЛКШ-Г (с фильтрами Габора)1178 (98,6%)80Предложенный алгоритм распознавания лиц показывает превосходствонад стандартными алгоритмами по уровню верного распознавания на 20%.Применение фильтров Габора совместно с алгоритмом на основе локальныхквантованных шаблонов увеличивает уровень верного распознавания c 97,6%до 98,6%.3.4. Анализ скорости работы алгоритмов распознавания лицПроанализируем среднее время, необходимое предложенному алгоритмуна основе локальных квантованных шаблонов с фильтрами Габора и без них,для распознавания одного лица.

Для сравнения возьмем алгоритмы на основеМГК, ЛДА и ЛБШ из библиотеки OpenCV. Результаты измерения скоростиработы алгоритмов, запущенных на системе под управлением процессораAthlon X4 620 2,6 ГГц, при работе с базой лиц FERET и при разрешениинормированного лица 90х150 пикселей приведены в табл. 3.5.Таблица 3.5Результаты сравнения скорости работы алгоритмов на базе из 1200 лицАлгоритмСкорость работы,изобр./сЛКШ (без фильтров Габора)10,1Времяраспознавания одноголица, с0,1ЛКШ-Г (с фильтрами Габора)0,24,16ЛДА (OpenCV)9,40,11МГК (OpenCV)37,50,05ЛБШ (OpenCV)6,70,14Наиболее быстрым оказался алгоритм на основе метода главныхкомпонент, во многом благодаря самому короткому вектору признаков средивсех рассмотренных алгоритмов.

Предложенный алгоритм на основемодифицированных локальных квантованных шаблонов показал сравнимуюскорость с алгоритмом на основе линейного дискриминантного анализа.Превосходство в скорости нового алгоритма над более простым алгоритмом81ЛБШ проявляется на больших базах лиц. При тестах на небольших базах(менее 100 лиц) алгоритм ЛБШ оказывается быстрее.

Это объясняетсявременем, которое требуется для сравнения гистограмм признаков. Намаленьких базах таких сравнений немного, и скорость работы определяется,прежде всего, временем подсчета признаков, которых у алгоритма ЛБШ хотьи больше, чем у ЛКШ, но они вычисляются быстрее.Все алгоритмы, кроме ЛКШ-Г, способны работать в реальном масштабевремени. Применение фильтров Габора, как будет показано ниже,положительно сказывается на робастности алгоритма на основе ЛКШ кшумам, однако существенно увеличивает время распознавания лица.Поэтому в задачах, где скорость работы оказывается более критичной, чемустойчивость к шумам, от фильтров Габора можно отказаться.3.5.

Краткие выводыРезультаты проведенных исследований позволяют сделать следующиеосновные выводы.1.Разработан алгоритм распознавания лиц на основе локальныхквантованных шаблонов, использующий модифицированную процедурусоставления словаря.2.Проведено сравнение предложенного алгоритма с существующимиоткрытыми реализациями алгоритмов распознавания лиц из библиотекиOpenCV на стандартном тесте fb базы FERET, показывающее превосходствопо уровню верного распознавания нового алгоритма на 20%.3.Применение фильтров Габора совместно с алгоритмом на основелокальныхквантованныхшаблоновувеличиваетуровеньверногораспознавания на стандартном тесте fb базы FERET c 97,6% до 98,6%, однакоболее чем в 40 раз увеличивает время распознавания лица.82ГЛАВА 4.

АНАЛИЗ РАБОТЫ АЛГОРИТМОВРАСПОЗНАВАНИЯ ЛИЦ В УСЛОВИЯХ ИСКАЖЕНИЙ4.1. Вводные замечанияСистема распознавания лиц на телевизионных изображениях должнабыть робастной к определенным степеням искажений, возникающих прирегистрации и передаче изображения. Искажения могут быть вызваныизменениями условий съемки при регистрации эталонных изображений,хранящихся в базе данных, и изображения, непосредственно поступающегона вход системы распознавания во время работы. Например, эталонноеизображение лица может быть снято в фотостудии при близких к идеальнымусловиях, а изображение, на котором требуется обнаружить и распознатьлицо, получено с видеокамеры при неравномерном освещении и другомвыражении лица объекта наблюдения.

Дополнительные трудности длясистемы распознавания создают эффекты размытия, шума, артефакты сжатияна телевизионном изображении.Для выяснения, какие факторы и в какой степени влияют наэксплуатационные характеристики биометрической системы, в случаесистемы идентификации человека по изображению лица, проводитсяиспытание на робастность. Согласно ГОСТ Р ИСО/МЭК ТО 19795-3-2009[100] для биометрической системы идентификации по изображению лицавыделяются следующие основные факторы воздействия:−биологическиефакторы(состояниездоровья,возраст,пол,мимическое выражение лица);−социальные факторы (прическа, борода, макияж, наличие очков);−факторы окружающей среды (пространственное положение головы,направлениеосвещенияичислоисточниковсвета,фон,разрешающая способность камеры, искажения, обусловленныесвойствами камеры).83Вработепроведеноиспытаниенаробастностьпредложенногоалгоритма распознавания на основе ЛКШ и фильтров Габора и другихалгоритмов распознавания лиц к большинству факторов окружающей средыирядубиологическихфакторов.Исследоваласьробастностькпространственному положению головы на базе Robotics; смене условийосвещения на наборе fc базы FERET и базе CMU Multi-Pie; искажениям,вызванным свойствами камеры и особенностями передачи изображения(размытие изображения, шумы и артефакты сжатия моделировались в пакетеMATLAB).Робастностькизменениювыражениялицаивозрастапроверялась на наборах fb и dup-I, dup-II базы FERET.

В тестовых базахприсутствовали предстатели разного пола, расы, люди в очках и без них.Таким образом, влияние социальных факторов также в некоторой степенибыло учтено. Кроме того, проведен анализ влияния ошибок локализации глазна последующую процедуру распознавания (рис. 4.1).Рис. 4.1. Схема проведения испытания на робастность алгоритмов распознавания лиц844.2. Анализ работы алгоритмов распознавания при смене выражениялица, условий освещения, возрастных изменениях лицаДляпроведенияэкспериментальныхисследованийалгоритмовраспознавания лиц была выбрана наиболее известная стандартная тестоваябаза изображений лиц – FERET [51]. Она содержит 14000 изображенийлюдей в разрешении 384х256 пикселей. Внутри базы выделяется поднабор fa,состоящий из 1196 фронтальных изображений различных людей, по одномуизображению на каждого человека. Он является обучающим набором дляпроведения тестов алгоритмов распознавания.

В другой набор fb входит поодному изображению каждого человека, сфотографированного для набора fa,с измененным выражением лица. Всего набор fb включает 1195 изображений(изображение одного человека из fa отсутствует). В следующий набор fcвходит 194 изображения.