Диссертация (1091153), страница 5
Текст из файла (страница 5)
Такой подход способен детектировать лица с поворотомголовы до 50°, но плохо работает на изображениях с низким разрешением.Также недостатком данного алгоритма является его высокая вычислительнаясложность.Детектор на основе ЛБШ на цветных изображениях показал самыйнизкий результат. В большинстве случаев алгоритм не справлялся сдетектированием лиц, у которых исходно имеется даже небольшой поворотпо горизонтали или вертикали. Также было выявлено большое число ложныхсрабатываний алгоритма. Данный алгоритм следует применять на простыхизображениях с фронтальным расположением лица. Входное изображениедолжно иметь высокое разрешение и высокую контрастность.Алгоритм на основе сверточной нейронной сети также показал низкийпроцент детектирования лиц на выбранной базе изображений.
Данныйрезультат является следствием неподготовленности данного детектора кобнаружению объектов с поворотом головы. Алгоритм на основе сверточнойнейронной сети способен давать результаты близкие к оптимальным приусловии переобучения детектора под заданные условия.28Алгоритмы детектирования, реализованные в коммерческих системах,показали высокие результаты, сопоставимые с ресурсоемким подходом наоснове модели деформируемых частей.
Алгоритм от компании Apple хорошосправляется с большим поворотом головы и без труда выделяет лица людейразличного возраста и расы, а также лица детей младше 12 лет. Большинствопотерь детектирования были вызваны темными очками на лицах участниковизображений. Программа по работе с изображениями от компании Google –Picasa показала результаты, сравнимые с работой алгоритма от Apple.Алгоритм хорошо справляется с трудными ситуациями для детектирования,которые вызваны поворотом головы и при низком качестве входногоизображения. Детектирование лиц в Facebook имеет максимальный результатпо количеству детектированных лиц среди исследованных алгоритмов. Навсей подготовленной базе такой алгоритм не показал ни одного ложногосрабатывания.
Успешное детектирование было произведено даже наизображениях с углом поворота головы до 90°. Алгоритм работает на всехтипах лиц различного пола и расы. Недостатком алгоритма являетсяотсутствие правильного обнаружения на лицах детей до 12 лет.В целом, проведенное тестирование показало, что современныеалгоритмы детектирования лиц, работающие в закрытых коммерческихсистемах, способны практически безошибочно находить лица, находящиесяпод различным углом поворота к камере. Популярные алгоритмы известныеиз научно-технической литературы существенно уступают коммерческимразработкам по проценту детектирования лиц. Исключением являетсяалгоритм на основе модели деформируемых частей, показывающийсопоставимые результаты при крайне высокой вычислительной сложности.Тем не менее, следует отметить, что работы в области разработкиэффективных открытых алгоритмов детектирования лиц продолжаются внаучно-технической среде.
Примером таких исследований может служитьсравнительный анализ алгоритмов, проводящийся в MIT [97].291.4. Алгоритмы локализации центров глазЗадача точного определения положения глаз на изображении лица, илилокализация глаз, важна для широкого спектра современных задач в областикомпьютерного зрения, таких как определение направления взгляда и углаповорота головы к камере, анализа выражения лица, мимики и т.
д. [56–59]Помимо этого, локализация глаз успешно используется как предварительныйэтап при распознавании лиц – координаты центров глаз помогают правильнопровестинормировкуизображениялицапослеегодетектирования(рис. 1.7) [56, 60]. Исследования показывают, что точность локализации глазоказывает существенное влияние на качество системы распознаваниялиц [61–65].Рис. 1.7. Роль локализации положения глаз в процедуре распознавания лицДовольно распространено ошибочное мнение, что локализация глазявляется довольно тривиальной задачей, так как глаза – всего лишь один изэлементов лица. Однако глаза имеют свою уникальную геометрическуюструктуру, характеристики движения, фотометрические свойства, что делаетих довольно трудным объектом для исследований.
Можно перечислить рядфакторов, которые оказывают значительное влияние на внешний вид глаз наизображении [61]:30− большое разнообразие цвета и видов глаз;− различные эмоции и мимика: к примеру, у смеющегося человека глазамогут быть практически закрыты;− наличие оптических препятствий на лице: глаза могут быть частичнозакрыты очками либо прядями волос;− поза человека: различные варианты взаимного расположения человекаи камеры (фронтальное, в профиль, снизу-вверх и т. д.) влияют навнешний вид глаз; например, при расположении головы в профильодин глаз может быть полностью закрыт;− условия съемки и качество изображения: факторы внешней среды,например, освещение (его спектральный состав, расположениеисточников освещения и интенсивность) может значительно менятьвнешний вид глаз.
Более того, очень распространенные на практикенизкое разрешение изображений, размытость или низкая детализациитекстуры могут сильно влиять на качество исходных данных, чтостановится большой проблемой для любых алгоритмов локализацииглаз.За последние три десятилетия предложено множество различныхподходов к решению задачи локализации глаз.
Тем не менее, несмотря назначительные успехи в данной области, стоит отметить, что данная проблемавсе еще далека от решения. Большинство методов локализации глаз,предложенных исследователями в последнее время, можно условноразделить на три категории [61]:− методы, основанные на измерении параметров составных элементовглаза;− методы, создающие статистическую модель глаз на основе обучения;− методы, использующие информацию о пространственной структурелица.31Рассмотрим более подробно два алгоритма локализации глаз –градиентный [66] и байесовский [67] – в настоящее время частоиспользующихсявпрактическихприложенияхидемонстрирующихприемлемую точность локализации [61, 101]. Градиентный алгоритмлокализации использует априорную информацию о пространственнойструктуре лица.
Байесовский алгоритм создан на основе статистическогообучения на имеющейся выборке изображений глаз.1.4.1. Градиентный алгоритм локализации глазЦентр объекта круглой формы может быть обнаружен с помощьюанализа векторного поля градиента изображения. Для начала рассмотримискусственный пример с изображением идеального круга (рис. 1.8).а)б)Рис. 1.8. Поиск на изображении центра идеального кругаПусть стоит задача найти его центр.
Для этого найдем значенияградиента g = (∂I ∂I, ) во всех точках изображения. Везде, кроме границы∂x ∂yкруга, модуль вектора g оказывается равным нулю. Направление градиента32интенсивности в определенной точке всегда совпадает с направлениемнаибольшего возрастания интенсивности в этой точке. Поэтому вектор g награнице круга всегда будет указывать направление к центру круга, если кругболее яркий, чем фон, и, наоборот, от центра круга, если фон ярче.
Пусть Ai –некоторая точка на контуре круга со значением градиента g i . Пусть точка C– возможный центр круга. Проведем из точки C в точку Ai единичныйвекторdi =OAi − OCOAi − OC. Скалярное произведение< di , gi >будет иметьмаксимальное значение в том случае, если точка C находится на прямой,соединяющей истинный центр круга C * с точкой Ai (штриховая линия нарис. 1.8а).
Для идеального круга достаточно всего двух точек контура Ai иA j , чтобы найти положение центра C * (рис. 1.8б). Для этого из всехвозможных точек C выбирается такая, для которой максимально значениесуммы абсолютных значений скалярных произведений < d i , g i > и < d j , g j > вточках Ai и A j :1C* = arg max{ ( < d i , g i > + < d j , g i > )} .C2(1.9)Вместо модуля скалярного произведения векторов для ускорения можноиспользовать квадрат скалярного произведения.
Для идеального круга такаязамена не влияет на результат.Радужка и зрачок глаза имеют близкую к кругу форму, склера близка кэллипсу. Эти наблюдения позволяют использовать метод поиска центраидеального круга для поиска центра зрачка глаза [66].Рассмотрим подробно процесс поиска центра зрачка градиентнымметодом. В начале, на предоставленном изображении лица выделяетсяобласть возможного положения глаза. Для каждого пикселя этой областинаходится значение градиента g .
Поскольку обычно интересуют толькорезкие перепады яркости на изображении, все градиенты с небольшим33значением модуля g ≤ g min отбрасываются. Затем вокруг каждого пикселя Cвнутри области возможного положения глаза строится сканирующее окно.Внутри него для каждой точки Ai со значением градиентаg i > g minвычисляется квадрат скалярного произведения (< d i , g i >) 2 . Центр зрачка C *выбирается среди всех возможных точек C согласно обобщению формулы(1.9):C* = arg max{C1NCNC∑ (< d , gii =1i>) 2 } ,(1.10)где N C – число пикселей внутри сканирующего окна, построенного вокругточки C , со значением модуля градиента выше заданного порога g i > g min .Сцельюулучшитьустойчивостьклинейнымизменениямвосвещенности и контрасте значения градиента должны быть приведены квектору единичной длины.
То есть, для всех i должно выполняться условиеgi = 1.В некоторых практических ситуациях максимум не всегда хорошоопределен, или существует локальный максимум, который приводит кнеправильной оценке положения центра глаза. Причинами этого могут бытьмассивныеброви,ресницыилиморщинывсочетанииснизкойконтрастностью между радужной оболочкой и склерой, что может привести кнеправильным оценкам. Поэтому в алгоритм включают априорные знания остроении глаза с целью увеличить его робастность. Поскольку зрачок обычноявляется более темным в сравнении со склерой и кожей, применяютсявесовые коэффициенты для каждого возможного центра так, чтобы темныецентрыбыли болеевероятны, чем яркие [66].
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
