Диссертация (1091153), страница 3
Текст из файла (страница 3)
Встроенный web-сервер обеспечивает просмотризображения от IP-камеры (которой присваивается свой IP-адрес) навключенном в сеть компьютере с помощью стандартного интернет-браузераили специальной программы [90].ЕслипервыеимелиIP-видеокамерысравнительноневысокиетехнические характеристики (малая чувствительность, встроенный объективбез автодиафрагмы), то в настоящее время эти устройства отвечают всемтребованиям, необходимым для использования их в системах охранноготелевидения (например, чувствительность 0,3 лк для цветного изображения и0,005 лк при переключении в черно-белый режим, формат изображения720х576 пикселей и более и т.
д.). Недостатками некоторых IP-камерявляется невысокая частота передачи изображений, невозможность передачипо сети несжатых кадров, трудности с работой в режиме реального масштабавремени и сравнительно высокие требования к клиентским компьютерам[90]. Таким образом, на современном этапе науки и техники представляетсяактуальнымраспознаваниядальнейшееобъектовсовершенствование(лиц)наметодовизображенияхисистемалгоритмовохранноготелевидения, работающих с современными типами IP-видеокамер ивысокопроизводительнымаппаратнымобеспечениемдляреализациисоответствующих алгоритмов.Базовыеалгоритмы,работающиедолжны решать одну из двухвосновныхсистемахзадач:распознавания,верификацииилиидентификации [45, 91].Если конечной целью системы распознавания является установлениеидентичности «предъявленного для распознавания лица» с другим лицом, тотакая задача носит название верификации.
Установление идентичностивыполняется с помощью оценки меры подобия двух лиц между собой, чтоопределяет этот режим как «один к одному». Таким образом, система13распознавания сравнивает предъявленный и хранимый биометрическиеобразы и дает ответ, тот ли это человек, за кого он себя выдает [91].Если заданием системы распознавания является выбор из базы данныхлица-эталона, наиболее похожего к предъявленному для распознаваниялицу, то такое задание можно определить как поиск «одного из многих».Если в рамках подобной задачи в базе эталонов будет однозначно определен«соответствующий кандидат» (или будет определен класс, к которомуон принадлежит), то эту задачу можно определить как идентификацию. Вбиометрических технологиях идентификация человека по его лицу –процедура, предназначенная для однозначного определения личностичеловека на основе характеристик лица при сравнении их с лицамиэталонами (заданными или выбранными из базы данных).
Иными словами,если системе распознавания предъявляется биометрический образ, тосистема должна ответить на вопрос, принадлежит ли он пользователюсистемы и, если да, то кому конкретно [91]. В данной работерассматривается задача идентификации по изображению лица для системохранного телевидения.1.2. Общая схема системы распознавания лицРаспознавание лиц является комплексной процедурой, состоящей изнескольких этапов, каждый из которых является отдельной областью дляисследований (рис. 1.1) [4, 40].1. Детектирование лица. На этом этапе происходит поиск лиц наизображении, определение их местоположения и размера.
От алгоритмадетектирования требуется обнаружить все лица на изображении приминимальном числе ложных срабатываний на областях фона.14Рис. 1.1. Процесс распознавания лица на телевизионном изображении152. Поиск ключевых точек лица и нормировка лица. Выравниваниеизображения лица необходимо для того, чтобы часть одного лицасравнивалась именно с этой частью другого лица (левый глаз с левым глазом,нос с носом и т. д.).Координаты ключевых точек позволяют привестидетектированное лицо к заданному нормальному виду путем поворотов,масштабирования и отсечения лишних частей изображения. Поиск ключевыхточек на лице происходит с помощью соответствующих алгоритмовлокализации. В работе в качестве ключевых точек рассматриваются центрыглаз человека.3.
Представление лица в виде вектора признаков. Изображения лицоказываются под влиянием шумовых помех и других искажающих факторов(различное выражение лица, поза человека, освещение, наличие препятствийи т. д.). Различия между изображениями одного и того же человека могутоказаться даже больше, чем различия между изображениями разных людей.Поэтому остро стоит задача извлечь из изображений такие признаки, которыебы обладали хорошей способностью разделять объекты разных классов,сближая при этом объекты одного класса, и в то же время оказывалисьустойчивыми к внешним изменениям.4. Сравнение обнаруженного лица с другими лицами из базы данных.Дляопределения, кому из известногонаборалюдейпринадлежитобнаруженное лицо и имеется ли данный человек в базе, построенный напредыдущем этапе вектор признаков сравнивается с векторами признаковлиц, хранящихся в базе данных.
Часто этапы 3 и 4 объединяют в один, аалгоритмы, решающие задачи на этих этапах, называют алгоритмамираспознавания [5, 40].Проведем краткий обзор существующих алгоритмов детектированиялиц, локализации ключевых точек (центров глаз) и распознавания лиц.161.3. Алгоритмы детектирования лицКорректноедетектированиеивыделениелицанакадревидеопоследовательности является основой для последующего решениязадачи распознавания. Несмотря на значительный прогресс в данной области,задача обнаружения лиц на изображениях, записанных в реальной ситуации(в англоязычной литературе называемой “faces in-the-wild” [15]), т.е.
припроизвольных условиях освещения и любом повороте головы, представляетсобой чрезвычайно сложную задачу.Проблема детектирования и локализации лиц на изображениях системохранного телевидения может быть сформулирована следующим образом: вданном кадре видеопоследовательности определить наличие или отсутствиелиц людей и при положительном ответе найти границы прямоугольныхрамок, целиком включающих лица. Выделение лиц на видеоданныхосложняется следующим набором факторов [92]:− изображение лица меняется значительным образом в зависимости оттекущих эмоций, возраста, наличия или отсутствия макияжа и волос налице, условий освещения, угла поворота к камере, перекрытия частилица другими объектами;− низкое разрешение видеоизображения может привести к большомуколичеству ошибок как первого, так и второго рода;− число лиц на изображении, как правило, неизвестно;− детектированиелицнавидеопоследовательностяхдолжноосуществляться в реальном времени, что накладывает более жесткиеограничения по сравнению с методами выделения объектов нанеподвижных изображениях.Средисуществующихнасегодняшниймоменталгоритмовдетектирования лиц на сложном фоне классическим считается алгоритмВиолы-Джонса [16], ставший де-факто стандартом для многих современныхисследований.
В настоящее время разработано множество других подходов к17обнаружению лиц, среди которых можно выделить алгоритмы на основегистограмм направленных градиентов, модели деформируемых частей,сверточных нейронных сетей, глубокого обучения и др. [18–24, 26].Проведем краткий обзор этих алгоритмов.1.3.1.
Алгоритм Виолы-ДжонсаВиола и Джонс в своих работах предложили использовать признаки наоснове вейвлетов Хаара [16]. Они ввели два вида двух-прямоугольных, двавида трех-прямоугольных и один вид четырех-прямоугольных признаков(рис. 1.2).а)б)в)г)Рис. 1.2. Примеры прямоугольных (хааровских) признаков и их возможноерасположение внутри окна детектора: а, б) двух-прямоугольные признаки;в) трех-прямоугольный признак; г) четырех-прямоугольный признакЗначение двух-прямоугольного признака равно разности между суммойинтенсивностейпикселейвтемномпрямоугольникеиинтенсивностейпикселейвсветломпрямоугольнике.Длясуммойтрех-прямоугольного признака сумма интенсивностей пикселей считается длядвух светлых прямоугольников.
Затем из полученного значения вычитаютсумму интенсивностей пикселей одного темного прямоугольника. Длячетырех-прямоугольного признака используют сумму интенсивностей в двухсветлых и двух темных прямоугольниках. Число возможных хааровских18признаков быстро возрастает при увеличении размера изображения. Уже длянебольшогоизображенияразмером3х3пикселячислопризнаковоказывается существенным (12 двух-прямоугольных признаков, 6 трехпрямоугольных и 4 четырех-прямоугольных, что в сумме дает 22 признака).Для изображения размером 4х4 количество признаков возрастает до 136.Если же рассматривать стандартный размер изображения 24х24 пикселя,используемый для обучения детектора лиц в большинстве реализацийалгоритма Виолы-Джонса, то набор признаков будет состоять уже из 162336значений.Хааровские признаки быстро вычисляются с помощью промежуточногопредставленияисходногоизображения,называемогоизображением [16].
Интегральное изображение в точкеинтегральным(x, y )содержитсумму интенсивностей пикселей, расположенных слева и сверху над этойточкой, и определяется по формуле:ii (x, y ) =∑ I (x' , y'),(1.1)x '≤ x , y '≤ yгде ii ( x, y ) – интегральное изображение, I (x, y ) – исходное изображение. Длявычисления используется следующая пара рекурсий:s( x, y ) = s( x, y − 1) + i( x, y ),ii( x, y ) = ii( x − 1, y ) + s( x, y ),(1.2)где s ( x, y ) – кумулятивная строка суммы, s ( x,−1) = 0 , ii (− 1, y ) = 0 .Хотялюбойизпрямоугольныхпризнаковприиспользованииинтегральных изображений может быть подсчитан за считанное числомашинных операций, для нахождения определенного объекта (лицачеловека) на изображении требуется в зависимости от разрешениясканировать от тысяч до нескольких миллионов областей. Вычислить длякаждой области все прямоугольные признаки в режиме реального времени непредставляется возможным. Чтобы справиться с указанной проблемойприменяетсяалгоритм бустингадля19эффективноговыборанаиболее значимых признаков, которые определяют различия между«объектами» и «не объектами» [17].Запишем изображение в виде значений полного набора прямоугольныхпризнаков x .ВалгоритмеВиолы-Джонсаиспользуютсяслабыеклассификаторы h j (x) = h(x, f j , p j ,θ j ) , каждый из которых представляет собойпороговое преобразование по некоторому прямоугольному признаку f jсогласнозначениюпорогаθjиp j = {− 1, 1},числуопределяющемунаправление неравенства [16]: 1, если p j f j (x) < p jθ jh j ( x) = 0, если p j f j (x) ≥ p jθ j .(1.3)На первой стадии алгоритма бустинга инициализируются изначальныевеса w1 (i) =1Mдля «объектов» и w1 (i) =1для «не объектов» из обучающейNвыборки.Затем производится поиск оптимального слабого классификатора h1 ( x)из всего множества возможных классификаторов Η согласно минимумувзвешенной ошибки ε j :h1 (x) = arg min ε j =h j ∈ΗM +N∑ w (i) h (x ) − yi =11jii.(1.4)Значение выражения h j (x i ) − yi оказывается равным единице для i -гоэкземпляра из обучающей выборки, если слабый классификатор h j (x i ) отнесэкземпляр к его истинному классу yi , и нулю – в обратном случае.АналогичнымобразомпроизводитсяпоискещеT −1слабыхклассификаторов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
