Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик (курсовая магистратуры)
•Download as PPTX, PDF•
0 likes•1,077 views
Презентация к курсовой работе в магистратуре Выполнила: студентка 1 курса магистратуры, 425м группы А.Н. Вязьмина Научный руководитель: к.ф.-м.н., доцент, С.И. Жилин Барнаул, Алтайский государственный университет 2013 год
Recommended
Recommended
More Related Content
Similar to Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик (курсовая магистратуры)
Similar to Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик (курсовая магистратуры) (6)
Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик (курсовая магистратуры)
- 1. Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Алтайский государственный университет» Математический факультет Кафедра информатики Выполнила: студентка 1 курса магистратуры, 425м группы А.Н. Вязьмина Научный руководитель: к.ф.-м.н., доцент, С.И. Жилин Барнаул 2013
- 2. Сферы применения распознавания лиц • идентификация лиц, • контроль доступа, • обеспечение безопасности, • наблюдение, • правоохранительные органы, • ведение базы лиц, • управление мультимедиа, • взаимодействие человека с компьютером • и другие. 2
- 3. Вариации геометрии и освещения лиц Примеры вариации геометрии лиц 3 Примеры вариации освещения
- 4. Цель и задачи Цель Разработка и исследование свойств алгоритма распознавания лиц, основанного на комбинированном векторе характеристик, включающем в себя признаки, устойчивые к вариациям освещения и геометрии лиц в отдельности. Задачи 1. Обзор методов распознавания лиц. 2. Отбор базовых алгоритмов построения признаков инвариантных, только к вариациям освещения или геометрических признаков лиц. 3. Составление комбинированного вектора характеристик для метода. 4. Апробация полученного алгоритма на реальных данных для проверки возможности его использования в немодельных задачах. 4
- 5. Выбор баз изображений 5 The AT&T Laboratories Cambridge database (АТТ) 400 экз., размер 92х112px The Extended Yale Face database B (EYFB) 1984 экз., размер 168х192px
- 6. Базовые методы распознавания лиц В качестве составляющих комбинированного вектора характеристик рассматривались: • метод главных компонент (МГК), • локальные бинарные шаблоны (ЛБШ), • гистограммы направленных градиентов (HOG), • ускоренные устойчивые признаки (SURF). 6
- 7. Базовые методы распознавания лиц В качестве составляющих комбинированного вектора характеристик рассматривались: • метод главных компонент (МГК), • локальные бинарные шаблоны (ЛБШ), • гистограммы направленных градиентов (HOG), • ускоренные устойчивые признаки (SURF). 7 ЛБШ / HOG / SURF / Центр. лица МГК (кроме SURF) Изображения Вектор признаков Схема построения векторов признаков базовых алгоритмов
- 8. Базовые методы распознавания лиц В качестве составляющих комбинированного вектора характеристик рассматривались: • метод главных компонент (МГК), • локальные бинарные шаблоны (ЛБШ), • гистограммы направленных градиентов (HOG), • ускоренные устойчивые признаки (SURF). В качестве классификатора взят алгоритм • k-ближайших соседей (kNN, k-nearest neighbor algorithm). 8
- 9. Отбор базовых признаков 9 Базовые признаки Выборка Инвариантность к Признаки Ошибка (%) ATT Геометрии Центр. лица, HOG, МГК 3,75% EYFB Освещению Центр. ЛБШ и МГК 0,40%
- 10. Комбинированный алгоритм Базовые признаки Выборка Инвариантность к Признаки Ошибка (%) ATT Геометрии Центр. лица, HOG, МГК 3,75% EYFB Освещению Центр. ЛБШ и МГК 0,40% Вычисление HOG МГК Изображения Шаги алгоритма на основе комбинированного вектора признаков Вычисление центр. ЛБШ Вычисление центр. лиц Конкатенация признаков Шкалирование Классификация 10 Классы лиц
- 11. Комбинированный алгоритм Наилучшие результаты тестирования базовых признаков Выборка Инвариантность к Признаки Ошибка (%) ATT Геометрии Центр. лица, HOG, МГК 3,75% EYFB Освещению Центр. ЛБШ и МГК 0,40% Результаты алгоритма на основе комбинированного вектора Выборка Признаки Ошибка (%) ATT HOG, центр. ЛБШ, центр. лица, МГК 5,00% EYFB 3,23% 11
- 13. Контрольное тестирование 13 Математический факультет, 1 курс (MF10) 170 экз., размер 196х160px
- 14. Контрольное тестирование 14 Результаты алгоритма на основе комбинированного вектора Выборка Признаки Ошибка (%) MF10 HOG, центр. ЛБШ, центр. лица, МГК 23,53% Примеры ложного распознавания
- 15. Контрольное тестирование 15 Результаты алгоритма на основе комбинированного вектора Выборка Признаки Ошибка (%) MF10 HOG, центр. ЛБШ, центр. лица, МГК 23,53% Наилучший результат среди базовых алгоритмов Выборка Признаки Ошибка (%) MF10 SURF 14,71%
- 16. Алгоритмы распознавания лиц, устойчивые к вариациям освещения и геометрических характеристик Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Алтайский государственный университет» Математический факультет Кафедра информатики Выполнила: студентка 1 курса магистратуры, 425м группы А.Н. Вязьмина Научный руководитель: к.ф.-м.н., доцент, С.И. Жилин Барнаул 2013 СПАСИБО ЗА ВНИМАНИЕ!
Editor's Notes
- В области распознавания лиц ведутся активные научные исследования. Разработанные методы и системы используется для решения различного рода практических задач во многих сферах жизни человека (контроль доступа, наблюдение, базы лиц и др.), являются компонентами государственных и коммерческих приложений. Распознавание лиц может быть успешно применено в реальном времени на изображениях и видео, сделанных в благоприятных (ограниченных) условиях. Тем не менее, точное и устойчивое распознавание лиц большого потока людей в естественных условиях является сложной, трудно решаемой задачей. Это обусловлено неограниченной вариацией точек зрения, освещения, эмоциональных состояний лиц, их частичным скрытием, гримом, очками и т.п., затрудняющими распознавание.
- Наиболее выраженными в реальных данных являются вариации освещения и геометрических характеристик лиц. Обзор практических приложений в различных сферах применения распознавания лиц показал недостаток методов устойчивых к этим недостаткам. Разработано большое количество алгоритмов извлекающих различные признаки из изображений. Каждый метод имеет свои условия применения. Существуют признаки лиц, инвариантные к тем или иным вариациям изображений в отдельности.
- ЦЕЛЬЮ данной работы является Разработка и исследование свойств алгоритма распознавания лиц, основанного на комбинированном векторе характеристик, включающем в себя признаки, устойчивые к вариациям освещения и геометрии лиц в отдельности. Для ее достижения решались ЗАДАЧИ, представленные на слайде.
- Для отбора базовых характеристик комбинированного вектора по результатам обзора баз лиц выбраны две. — Кембриджская характерна однородным освещением и различной геометрией лиц. — Ельская расширенная вариативна по освещению, с существенно не меняющейся геометрией лиц.
- В качестве составляющих вектора характеристик, рассматривались следующие алгоритмы, извлекающие признаки: — метод главных компонент, — локальные бинарные шаблоны, — гистограммы направленных градиентов, — ускоренные устойчивые признаки SURF. МГК был первым алгоритмом, применяемым для РЛ. Он достаточно хорошо изучен и описан в литературе. ЛБШ, HOG и SURF в настоящее время активно изучаются.
- Для определения алгоритмов, эффективно работающих на каждой из выборок, векторы признаков составлялись по следующей общей схеме (за исключением признаков SURF): из подаваемых на вход данных извлекались необходимые характеристики (ЛБШ / HOG / центрирование), затем к полученному набору применялся МГК. В базовом методе, основанном на SURF, шаг с МГК пропущен.
- Для решения задачи распознавания образов, описываемых теми или иными признаками, использовался один из наиболее употребимых алгоритмов классификации — метод k ближайших соседей.
- Сформированные алгоритмы были протестированы на модельных выборках ATTC и EYBC. По результатам экспериментов выделили признаки, устойчивы только к изменению геометрических характеристик — центрированные лица, HOG и МГК (с ошибкой 3,75% на кембриджской выборке), и изменению освещения — центрированные ЛБШ и МГК (с ошибкой 0,4% на Ельской выборке).
- Алгоритм (H&C&CLSP) на основе комбинированного вектора признаков, выделенных в предыдущем пункте, состоит из следующих шагов: 1) вычисление векторов признаков: HOG, центрированных ЛБШ и центрированных исходных лиц, 2) построение для каждого изображения комбинированного вектора признаков конкатенацией фрагментов полученных на предыдущем этапе, 3) шкалирование, 4) извлечение главных компонент, 5) классификация.
- Составленный метод был протестирован на модельных выборках. Результаты представлены на слайде.
- Для проверки работоспособности метода, построенного на комбинированном векторе, рассмотрели задачу учета посещаемости студентов на лекционные занятия в университете. Были сделаны групповые фотографии студентов на лекционных занятиях в разное время, в разных аудиториях. Фотографии характерны разнородным освещением и масштабом лиц по отношению к общему масштабу изображения. Таким образом, помимо вариаций освещения и геометрических характеристик лиц полученные изображения имеют иные недостатки: — некачественное отображение лиц, в частности на заднем плане, — частичное или полное заслонение лиц другими объектами.
- Из фотографий вручную были вырезаны лица 17 студентов по 10 изображений различного качества, освещения и геометрии. Полученные изображения переведены в градации серого. Для улучшения качества изображений была проведена коррекция гистограмм изображений.
- Метод, основанный на комбинированном векторе признаков, устойчивый к вариации освещения и геометрии лиц в отдельности, протестирован на реальных, предобработанных изображениях. Ошибка составила 23,53%.
- Базовые методы, содержащие по одному признаку, также были протестированы на сформированных наборах лиц. Один из них показал наилучшие результаты: ошибка 14,71%. Он основан на признаках SURF, которые активно применяется в последнее время. Метод, основанный на скомбинированном векторе характеристик, устойчивых к различным вариациям в отдельности, не сработал приведенном примере реальных данных с теми же результатами, что и в модельном эксперименте. В целом результаты распознавания всех методов, в том числе и базовых, для практической задачи являются неудовлетворительными. Применение построенного гибридного метода на основе алгоритмов, инвариантных к рассматриваемым вариациям в отдельности, не привело в поставленной реальной задаче к решению проблемы устойчивого распознавания изображений с нестабильным освещением и ракурсами лиц. Необходимы дальнейшие исследования данного вопроса.