Диссертация (Распознавание лица на телевизионных изображениях при наличии искажающих факторов), страница 13

Результатыработы алгоритмов распознавания на зашумленных изображениях приведенына рис. 4.10.а)б)в)Рис. 4.9. Воздействие на изображение спекл-шума: а) исходное изображение;б) искаженное спекл-шумом с σ c2 = 0.01 ; в) искаженное спекл-шумом с σ c2 = 0.0259410080ЛКШ-ГЛКШЛДАМГКЛБШP, %604020000.0050.010.0150.020.025σc2Рис. 4.10. Результаты работы алгоритмов распознаванияпри наличии мультипликативного шумаВидно,чторезультатыработыалгоритмовраспознаваниянаизображениях в условиях спекл-шума схожи с результатами при наличииАБГШ. Алгоритмы на основе ЛДА и МГК при исследуемых степеняхзашумления оказываются робастными к воздействию шума, а уровеньверного распознавания алгоритмов на основе локальных шаблонов безнадлежащей предобработки быстро спадает до нуля.

Фильтры Габорапозволяют удерживать уровень верного распознавания алгоритма на основелокальных квантованных шаблонов выше 90% при σ c2 < 0,02 .4.3.5. Сжатие изображений алгоритмами JPEG и JPEG2000Методы сжатия Motion JPEG (MJPEG) и Motion JPEG2000 широкоиспользуются для покадрового сжатия видеопотока. При высокой заданнойскорости передачи данных сжатие с помощью MJPEG и Motion JPEG200095даёт качественные стоп-кадры, что позволяет применять данные методы всистемах охранного телевидения, чтобы, например, выяснить номеравтомобиля или подробно рассмотреть лицо предполагаемого преступника.Отдельные кадры видеопотока для указанных методов сжимаются спомощью соответственно алгоритмов JPEG, использующего дискретноекосинусноепреобразование,иJPEG2000,использующеговейвлет-преобразование [90, 92].Проведено исследование робастности алгоритмов распознавания лиц ксжатию изображений алгоритмом JPEG с усредненным коэффициентомсжатия K 1 и алгоритмом JPEG2000 с коэффициентом сжатия K 2 .После сжатия изображения алгоритмом JPEG на изображениивозникают артефакты блочности, связанные со сжатием сигнала внутриблоков размером 8х8 пикселей.

Особенно этот эффект проявляется привысоких степенях сжатия (рис. 4.11).а)б)в)Рис. 4.11. Воздействие на изображение сжатия алгоритмом JPEG:а) исходное изображение; б) сжатое с K 1 = 30 ; в) сжатое с K 1 = 50Изображения из набора fb базы FERET сжимались алгоритмом JPEG сусредненнымикоэффициентамисжатияK1 = {10,..., 50} .Результатыэксперимента, приведенные на рис.

4.12, показывают слабое влияниеартефактов сжатия на работу алгоритмов на основе МГК и ЛДА. Алгоритмына основе ЛКШ (с фильтрами Габора и без них) демонстрируют уровень96верного распознавания выше 85% вплоть до 20-кратного сжатия, но затемсдают позиции (без фильтров Габора происходит стремительный спад).10080P, %6040ЛКШ-ГЛКШЛДАМГКЛБШ20001020304050K1Рис. 4.12. Результаты работы алгоритмов распознавания при JPEG сжатии изображенийСжатие изображений алгоритмом JPEG2000 приводит к появлению наизображении артефактов звона и размытия [104, 105].

Однако визуально приодинаковой степени сжатия изображения JPEG2000 выглядят лучшеизображений JPEG (рис. 4.13). Алгоритмы распознавания также работаютлучше при сжатии более современным алгоритмом (рис. 4.14).Алгоритмы на основе МГК и ЛДА показали высокую робастность кискажениям,вызваннымсжатиемJPEG2000.Алгоритмнаосновемодифицированных локальных квантованных шаблонов показывает уровеньраспознавания выше 70% вплоть до сжатия в 50 раз. Применение фильтровГабора позволяет обеспечить уровень распознавания выше 90% при30-кратном сжатии алгоритмом JPEG2000.97а)б)в)Рис. 4.13. Воздействие на изображение сжатия алгоритмом JPEG2000:а) исходное изображение; б) сжатое с K 2 = 30 ; в) сжатое с K 2 = 5010080P, %6040ЛКШ-ГЛКШЛДАМГКЛБШ20001030204050K2Рис.

4.14. Результаты работы алгоритмов распознавания при JPEG2000 сжатииизображений984.4. Анализ влияния ошибок локализации центров глазна уровень верного распознавания лиц на изображенияхПредложенный в работе алгоритм распознавания на основе локальныхквантованных шаблонов и фильтров Габора превзошел стандартныеалгоритмы распознавания во всех проведенных и описанных выше тестах.Поэтому именно он включался в разрабатываемую систему распознаваниялиц, в которую помимо него входит алгоритм детектирования лиц и алгоритмлокализации центров глаз.Проведено исследование влияния ошибок при определении положенияцентров глаз на работу всей системы распознавания лиц на телевизионномизображении,построеннойнабазеалгоритмаЛКШ-Г.Найденнаязависимость уровня верного распознавания от ошибки в локализации глаз наизображениях из набора fb базы FERET приведена на рис.

4.15.10080P, %604020000.050.10.150.20.25errРис. 4.15. Уровень верного распознавания системы, построенной на базеалгоритма ЛКШ-Г, в зависимости от ошибки в локализации глазРезультаты проведенного исследования показывают, что точностьлокализации положения глаз критически сказывается на уровне верного99распознавания. Грубые ошибки локализации (err > 0,15) приводят кснижению уровня верного распознавания с 98% при идеально точноопределенных координатах глаз до величин ниже 50%.

При ошибкелокализации err = 0,1 уровень верного распознавания составляет 80%.Снизить влияние ошибок локализации глаз на качество работы всей системыраспознавания в дальнейшей работе планируется за счет сокращенияколичества подобластей, на которые разбивается каждое изображение передпроцедурой составления гистограммы в алгоритме на основе ЛКШ. Сейчасразмер подобласти составляет 10х10 пикселей, и даже небольшая неточностьпринормировкелицаспособнарадикальноухудшитьрезультатыраспознавания. Использование более крупных подобластей должно повыситьробастность алгоритмов ЛКШ и ЛКШ-Г к ошибкам в локализации центровглаз.4.5. Анализ работы системы распознавания лицпри изменении положения головыПри тестировании алгоритмов распознавания в реальных условияхвыяснилось, что точность системы распознавания лиц серьезно падает приотклонениилицаотфронтальногоположения.Дляустановлениязависимости уровня верного распознавания от угла поворота головыпроведены исследования на базе Robotics [55].Тестовая база Robotics содержит 6600 изображений 90 людей.

Длякаждого человека имеется 74 изображения, из которых 37 сняты черезкаждые пять градусов от крайнего правого положения головы (–90°) докрайнего левого положения (+90°). Оставшиеся 37 изображений создавалисьискусственно с помощью коммерческого приложения для моделированияповорота головы. Для экспериментов были отброшены искусственносгенерированные изображения и отобраны изображения с углом поворотаголовы, не превышающим 45°, так как при бо́льших углах поворота один глазчастично или полностью не наблюдаем камерой.100Для всех изображений с отклонением лица от фронтального положенияпроводилась идентификация субъектов.

Проводился подсчет числа верных иневерныхраспознаванийдлякаждогоуглаотклонения.Результатывычисления уровня верного распознавания при различных углах отклонениядля 90 классов (субъектов) приведены на рис. 4.16.10080P, %604020с учетом ошибок детектированиябез учета ошибок детектирования0010203040α, градРис. 4.16. Зависимость уровня верного распознавания программы Face.Video.Labот угла поворота головы на базе RoboticsВ качестве эталонных изображений лиц были выбраны фронтальныелица (угол отклонения головы 0°). Пример эталонного изображения одногоиз субъектов в базе представлен на рис. 4.17. Для каждого найденного наизображениях лица проводилась нормировка согласно координатам глаз,определенным с помощью итерационного алгоритма локализации центровглаз на основе МБ-ЛБШ. Нормированное лицо сохранялось в базе в видегистограммы признаков, полученной при использовании алгоритма ЛКШ-Г.Пример верного распознавания субъекта представлен на рис.

4.18 (а, б).На этих изображениях голова субъекта повернута к камере под углами +35°и –20°.Неверноераспознаваниеможетбытьвызванонесколькимипричинами: несрабатыванием детектора лиц, неточным срабатыванием101детекторалиц,ошибкойлокализацииглазиошибкойалгоритмараспознавания. В первом случае, когда лицо просто не найдено, дальнейшеераспознавание не запускается.

При срабатывании детектора лиц на областяхфона в некоторых случаях можно заставить систему не осуществлятьдальнейшую процедуру распознавания. В настоящее время в программеFaces.Video.Lab [118], внутри которой реализованы рассмотренные в работеалгоритмы,этоосуществляетсязасчетпроверкикоэффициента«уверенности» в локализации глаз.а)б)Рис. 4.17. Изображения субъекта №84 из базы Robotics:а) эталонное фронтальное; б) нормированное лицоа)б)Рис. 4.18. Примеры корректной работы системы распознавания на изображенияхиз тестовой базы Robotics102Другой причиной неверного распознавания являются неточности вопределении координат глаз.

Следствием ошибочной локализации глазявляется неправильная нормировка лица, в результате чего одни части лицасравниваются с другими частями. Особенно страдает точность работыалгоритма на базе локальных квантованных шаблонов, используемого вразработанной программе, так как он предполагает разделение лица наотносительно небольшие сегменты, и наличие даже небольшого сдвигасегмента критически сказывается на уровне верного распознавания.Пример ошибочного распознавания, вызванного неточной локализациейположения правого глаза приведен на рис.

4.19. На данном изображениизрачок сильно сдвинут к краю глаза, и в связи с недостатком обучающихизображений для такого положения зрачка, произошла ошибка. Решитьподобную проблему позволит переобучение алгоритма локализации глаз наболее широкой выборке изображений глаз, включающей множество сложныхпримеров. В настоящей версии системы распознавания локализатор обучентолько на изображениях глаз из базы FERET.Рис. 4.19.

Ошибочное распознавание, вызванное неточной локализацией центров глаз103При верном детектировании и точной локализации глаз на фронтальномизображении лица при использовании алгоритма распознавания лиц наоснове ЛКШ и фильтров Габора, как видно из тестов в п. 4.2, ошибкираспознаваниявозникаютредко.Однакоотклоненениеголовыотфронтального положения может критически сказаться на точности, так какизменениепозысерьезноизменяетотдельныелокальныеобластиизображения лица и изменяет пропорции между ключевыми точками посленормировки по координатам глаз. Пример ошибки алгоритма распознавания,вызванной серьезным отклонением лица от фронтальности, приведен нарис. 4.18.

На этом изображении лицо субъекта повернуто на угол –45°.Рис. 4.20. Ошибочное распознавание, вызванное большим отклонением лица отфронтального положения104Из проведенных исследований на базе Robotics следует, что уровеньверного распознавания при работе с 90 классами падает до значения 80% приугле поворота головы в 30°. Незначительно сказываются на точности работыалгоритма распознавания лиц только повороты головы на угол до 20°(уровень распознавания остается выше 94%).4.6. Анализ работы системы распознавания лицв условиях неравномерного освещенияДля исследования работы системы распознавания лиц в условияхнеравномерногоосвещениялицаиспользоваласьтестоваябазаCMU Multi-PIE [52]. Изображения людей в этой базе получены с 15 камер.Использовались 18 источников освещения, расположенных под разнымиуглами к объекту наблюдения; 13 камер были расположены на уровне головычеловека и находились под углом от –90° до +90° с интервалом в 15°,2 камеры устанавливались выше головы объекта с двух сторон под углом30°.

Рядом с каждой камерой был закреплен источник света. Кроме того, тридополнительных источника света находились выше головы человека подуглами –15°, 0° и +15°.Схема студии с указанием наименования камер (названия начинаютсяна с) и источников освещения (названия начинаются на f) приведена нарис. 4.21. Начало координат совпадает с местоположением головы объектанаблюдения. Единица измерения осей на схеме – метр.Длятестированияразработаннойсистемыраспознаваниялициспользовались изображения, полученные только с фронтальной камерыc05_1, так как исследования на базе Robotics, показали неробастностьалгоритма распознавания к сильному отклонению головы от фронтальногоположения.105Рис. 4.21. Расположение камер и источников светаВ качестве эталонных изображений лиц субъектов использовалисьфронтальные изображения всех содержащихся в базе 337 людей, полученныев фотостудии.