Спосіб виявлення облич людей на зображенні
Автор
Маслій, Роман Васильович
Кулик, Анатолій Ярославович
Білошкурський, Сергій Степанович
Маслий, Роман Васильевич
Кулик, Анатолий Ярославович
Белошкурский, Сергей Степанович
Maslii, Roman Vasyliovych
Kulyk, Anatolii Yaroslavovych
Biloshkurskyi, Serhii Stepanovych
Дата
2010-11-25Metadata
Показати повну інформаціюCollections
Анотації
Спосіб виявлення облич людей на зображенні, в якому формують базу зображень облич фронтального вигляду та базу зображень, на яких відсутні обличчя, з яких формують навчальні та верифікаційні набори позитивних та негативних прикладів, тренують каскад сильних класифікаторів, додають до каскаду сильні класифікатори до тих пір, поки не буде досягнуто заданих значень помилки першого роду та рівня детекції для каскаду; тренують сильний класифікатор, додають слабкі класифікатори у сильний класифікатор до тих пір, поки не буде досягнуто заданих значень помилки першого роду та рівня детекції для сильного класифікатора, тренують слабкі класифікатори, додають у сильний класифікатор слабкий класифікатор, який на зваженому наборі навчальних прикладів показав найменшу помилку, формують сильний класифікатор, на верифікаційних наборах перевіряють досягнення помилки першого роду та рівня детекції для сильного класифікатора, негативний навчальний набір наступного класифікатора формують з прикладів, отриманих з бази зображень, на яких відсутні обличчя, які попередні сильні класифікатори каскаду прийняли за обличчя, вводять у комп'ютер зображення, за допомогою вікна пошуку у різних масштабах і положеннях виділяють області зображення, подають їх на вхід каскаду сильних класифікаторів, область зображення признають за детектовану область, якщо всі сильні класифікатори каскаду прийняли область зображення за обличчя, кластеризують детектовані області в об'єднані області, кожна з яких признається за область обличчя. Значення порога та парності ознак у слабких класифікаторах обчислюється до навчання сильного класифікатора, для формування слабких класифікаторів використовують модифіковані Хаар-подібні ознаки, кожна з яких характеризується значенням локального бінарного шаблону, обчислюють значення модифікованої Хаар-подібної ознаки шляхом підрахунку кількості пікселів у темних та світлих прямокутниках ознаки, в яких значення локального бінарного шаблону застосованого до околу піксели відповідають значенню, локального бінарного шаблону яким характеризується ознака, для обчислення значень модифікованої Хаар-подібної ознаки використовують масив значень локальних бінарних шаблонів, який утворений шляхом застосування локального бінарного шаблону до пікселів півтонового зображення, а також масив інтегральних значень локальних бінарних шаблонів, негативні та позитивні навчальні набори являють собою масиви значень локальних бінарних шаблонів. Способ обнаружения лиц людей на изображении, в котором формируют базу изображений лиц фронтального вида и базу изображений, на которых отсутствуют лица, из которых формируют учебные и верификационные наборы положительных и отрицательных примеров, тренируют каскад сильных классификаторов, добавляют к каскаду сильные классификаторы до тех пор, пока не будет достигнуто заданных значений ошибки первого рода и уровня детекции для каскада; тренируют сильный классификатор, добавляют слабые классификаторы в сильный классификатор до тех пор, пока не будут достигнуты заданные значения ошибки первого рода и уровня детекции для сильного классификатора, тренируют слабые классификаторы, добавляют в сильный классификатор слабый классификатор, который на взвешенном наборе обучающих примеров показал наименьшую погрешность, формируют сильный классификатор, на верификационных наборах проверяют достижения погрешности первого рода и уровня детекции для сильного классификатора, отрицательный учебный набор следующего классификатора формируют из примеров, полученных из базы изображений, на которых отсутствуют лица, которые предыдущие сильные классификаторы каскада приняли за лица, вводят в компьютер изображения, с помощью окна поиска в разных масштабах и положениях выделяют области изображения, подают их на вход каскада сильных классификаторов, область изображения признают за детектированную область, если все сильные классификаторы каскада приняли область изображения лица, кластеризуют детектированные области в объединенные области, каждая из которых признается за область лица. Значение порога и парности признаков у слабых классификаторах вычисляется до обучения сильного классификатора, для формирования слабых классификаторов используют модифицированные Хаар-подобные признаки, каждый из которых характеризуется значением локального бинарного шаблона, вычисляют значения модифицированного Хаар-образного признака путем подсчета количества пикселей в темных и светлых прямоугольниках признака, в которых значение локального бинарного шаблона примененного к окрестности пиксели соответствуют значению, локального бинарного шаблона, характеризующего признак, для вычисления значений модифицированного Хаар-образного признака используют массив значений локальных бинарных шаблонов, образованный путем применения локального бинарного шаблона к пикселям полутонового изображения, а также массив интегральных значений локальных бинарных шаблонов, отрицательные и положительные учебные наборы представляют собой массивы значений локальных бинарных шаблонов. A method for detecting a human faces on the image, where the image frontal-type face base is formed whereon faces are absent, whereof study and verificatory kits of positive and negative examples, a strong classifier cascade is trained, the strong classifiers are added to the cascade until they achieved a preset error value of the first genus and a detection level for the cascade, a strong classifier are trained, weak classifier are added to strong classifiers until they achieved a preset error value of the first genius and a detection level for strong classifiers, the weak classifiers are trained, the weak classifiers are added to the strong classifiers which shows an minimum error on the weighted kit of teaching examples, a strong classifier is formed, verificatory kits are checked error achievement of the first genius and a detection level for strong classifiers, a negative teaching kit of the following classifier is formed from examples obtained from an image base, whereon faces are absent which preceding strong cascade classifiers recognize for faces inputting the images to the computer, the image areas are separated with the help of search window in different scale and positions feeding them to a strong classifier cascade input, the image area is recognized for a detected region, if all the cascade strong classifiers took a face image region, the detected regions are clustered to integrated regions, each of them being recognized for a face region. The threshold and twoness sign value for weak classifiers are calculated till study of strong classifiers, to form weak classifiers are used modified Haar-like signs, each of them characterized is marked by a local binary custom pattern value, the modified Haar-like sign values are calculated by means of calculation of pixel number in dark and light rectangles, whereon the local binary custom pattern signs used to pixel neighborhood conforms to a value, of local binary custom pattern marked the sign, for calculation of a modified Haar-like sign is used a local binary custom pattern array formed by means of using a local custom pattern to gray scale image pixels as well as a local binary custom pattern integral array, negative and positive teaching kits represent local binary custom pattern integral array values.
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей ресурс:
http://ir.lib.vntu.edu.ua/handle/123456789/1753