Метод поиска лиц на изображениях по симметрии и лицевым признакам к.т.н. Варламов А.Д. 2010

Постановка задачи В настоящее время активно развиваются технологии искусственного интеллекта для систем видеонаблюдений. Особое внимание уделяется распознаванию различных объектов, при этом большой интерес проявляется к решению задач распознавания лиц людей. Детектор лиц оповещает о появлении в кадре человеческого лица и позволяет детектировать лица людей среди множества объектов. Он используется для определения нахождения человека и "захвата" изображения его лица. К примеру, телекамера, расположенная на проходной, может автоматически фиксировать проходящих через турникет людей с занесением изображений их лиц в базу данных. 2

Этапы метода поиска лица на изображении Определение точек изображения, которые по цвету наиболее близки к цвету кожи лица (используется расстояние между цветами). Для ряда изображений, с поворотом от -30 до 30 градусов: Определение симметрии вокруг каждой вертикальной линии на изображении. Линия, имеющая наибольшую симметрию, будет считаться центральной линией лица (проходящей через его центр). Симметрия считается только вокруг точек, обозначенных на первом этапе. Для каждой возможной ширины лица рассчитываются признаки, характеризующие возможное наличие элементов лица. По совокупности их значений, зная примерное расположение объектов относительно друг друга, определяются линии глаз, ноздрей, губ и подбородка. По координатам элементов лица определяются границы лица. В найденной области лица сегментируются глаза, губы, само лицо. Анализом полученных изображений строятся опорные точки (точки контуров объектов лица). 3

Визуализация метода поиска лица 4

Схема получения сегментированного изображения на основе нейронной сети Исходное изображение - полутоновое 5

Схема получения сегментированного изображения на основе нейронной сети Исходное изображение - цветное 6

Признаки для поиска лица Признак линии глаз (слева) и признак линий ноздрей, губ и подбородка (справа) Признак симметрии 7

Признаки для поиска объектов на лице 8 Средняя яркость по окрестности Среднеквадратичное отклонение по окрестности Морфологическое полутоновое замыкание Морфологическое полутоновое размыкание Медиана окрестности Результаты обобщенного преобразования Хоха, преобразованные в двумерное пространство Макс. разность яркостей локальных областей Нормированное количество элементов в гистограмме Результат выравнивания гистограммы Средний градиент в строке изображения Средний градиент в столбце изображения Вероятность появления объекта в точке

Процесс обучения нейронной сети Обучение поиска контура лица 9

Процесс обучения нейронной сети Обучение поиска губ в нижней части лица Априорная область губ Параметры обучения: Количество слоев: 2 Количество нейронов: 9 Количество признаков : 9 Алгоритм обучения: генетический 10

Процесс обучения нейронной сети Обучение поиска зрачков Априорная область зрачков 11 Параметры обучения: Количество слоев: 2 Количество нейронов: 9 Количество признаков : 8 Алгоритм обучения: генетический

Практическое применение подхода Разработка детекторов лиц в системах видеонаблюдения Автоматическая фокусировка на лице в цифровых фотоаппаратах Распознавание лиц Реставрация фотографических изображений с изображениями лиц Индексация изображений в информационно-поисковых системах Использование алгоритма для работы с фотографиями людей в социальных сетях Решение других задач 12

Практическая реализация технологии 13 Достигнутые характеристики: Угол поворота: до 30 гр. Угол наклона: до 15 гр. Время работы: до 5 сек. Точность работы: 80% тестовых изображений

Результаты работы на тестах (пример 1) 14

Результаты работы на тестах (пример 2) 15

Результаты работы на тестах (пример 3) 16

Результаты работы на тестах (пример 4) 17