WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


На правах рукописи

Хомяков Марат Юрьевич

МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЯ ЛИЦА ЧЕЛОВЕКА ПО ЦВЕТОВОЙ И КОНТУРНОЙ ИНФОРМАЦИИ И АППАРАТНОПРОГРАММНЫЕ СРЕДСТВА БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ

05.12.04 - Радиотехника, в том числе системы и устройства телевидения

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург – 2012

Работа выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ) на кафедре телевидения и видеотехники.

Научный руководитель - доктор технических наук, профессор, Лысенко Николай Владимирович

Официальные оппоненты:

доктор технических наук, профессор, Гоголь Александр Александрович, заведующий кафедрой телевидения и видеотехники Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. БончБруевича кандидат технических наук, доцент, Михайлов Владимир Алексеевич, ведущий инженер ООО «ЭВС» (г. Санкт-Петербург) Ведущая организация - Федеральное государственное унитарное предприятие «Научно исследовательский институт телевидения» (г. Санкт-Петербург)

Защита состоится «___» ноября 2012 года в ___ часов ___ минут на заседании диссертационного совета Д 212.238.03 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина) по адресу: 197376, Санкт-Петербург, ул. Проф.

Попова, 5.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина).

Автореферат разослан «___» октября 2012 г.

Ученый секретарь диссертационного совета Баруздин С.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время биометрические технологии находят все большее применение во многих прикладных областях и рассматриваются как самый перспективный метод распознавания людей.

Идентификация личности по изображению лица человека, в отличие от других биометрических характеристик человека (отпечаток пальца, форма руки, рисунок радужной оболочки глаза, голос), не требует физического контакта, что значительно расширяет возможности применения. Методы анализа геометрии и структурных особенностей лица перспективны для широкого круга задач. К ним относятся: идентификация личности, оценка эмоционального состояния и мимики, автоматическое распознавание речи по движению губ, отслеживание направления взгляда, создание новых человеко-машинных интерфейсов. Для стандартизации форматов записи биометрических данных, условий получения изображений лиц и параметров цифрового изображения лица разработан ГОСТ Р ИСО/МЭК 19794-5-2006 «Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица».

Идентификация человека по изображению лица является сложной задачей из-за изменчивости лица, как объекта анализа (подвижность, широкий диапазон изменения антропометрических параметров), а также большой вариативности условий и средств получения изображений (параметров освещения, окклюзии лиц другими объектами, изменений ракурса и масштаба лица на изображении, качества видео- и фотосъемки).

Исследования по автоматическому распознаванию лиц проводятся с 60-х годов прошлого века. Количество публикаций по технологиям распознавания лиц ежегодно превышает сотни и продолжает возрастать, однако проблема далеко не решена. Дополнительная информация, содержащаяся в цвете и контурах, во многих работах по идентификации лиц не используется или используется неэффективно.

Считается, что зрительная система разбивает изображение на фрагменты по границам объектов и затем выполняет анализ текстуры внутри фрагментов. Анализ текстуры в системах на основе яркостных изображений целесообразно проводить с привлечением цветовой информации, а для выделения фрагментов использовать методы контурного разложения. Многие теоретические аспекты этих методов недостаточно исследованы. Не оценены особенности представления цвета кожи человека в различных цветовых пространствах. Отсутствует сравнительный анализ операторов выделения границ по помехоустойчивости и ошибкам дискретизации, возникающим при работе по оцифрованным изображениям. Существующие методы отслеживания контуров не применимы к полутоновым изображениям. Невозможность получения слитных контуров объектов простой пороговой обработкой градиентной информации приводит к необходимости использования процедур второго уровня - методов сшивки и уточнения разрозненных выделенных фрагментов границ. Разработка помехоустойчивого следящего метода разложения по контурам изображений позволит выделить информативные фрагменты со сжатием обрабатываемой информации в десятки раз.

Требуется создание принципиально новых гибридных методов, комбинирующих признаковый и холистический подходы, и учитывающих в своей работе особенности зрительной системы человека. Реализация структуры системы по каскадной и параллельной схемам (экстракция нескольких категорий признаков для одного изображения) позволит существенно сократить вычислительную сложность и повысить эффективность классификации. Холистическая обработка локальных признаков и их ранжирование по степени важности, с учетом цветовой и контурной информации на изображении, позволит компактно представить информационно значимые части лица человека.

Целью диссертационной работы является разработка методов и аппаратно-программных средств анализа цветовой и контурной информации на изображении лица человека для повышения эффективности биометрической идентификации.

Для достижения поставленной цели определены следующие задачи:

1. Исследовать возможности сегментации кожи человека на цветных изображениях в различных цветовых пространствах.

2. Разработать метод следящего выделения контуров на полутоновых изображениях.

3. Разработать методы поиска и выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

4. Исследовать и повысить эффективность известных методов классификации AdaBoost и С4.5 для решения задач идентификации.

5. Создать аппаратно-программный комплекс для исследования методов идентификации личности по изображению лица на основе цветовой и контурной информации.

Объектом исследования диссертационной работы являются методы и устройства обработки и распознавания изображений.

Предметом исследования являются методы обработки изображений лица человека для идентификации личности.

Методы исследования. Исследования базируются на методах цифровой обработки изображений, теории распознавания образов и методах искусственного интеллекта, аппарате теории множеств и численных методах линейной алгебры. Экспериментальные исследования выполнены с использованием наборов реальных и синтетических изображений. Программное обеспечение разработано с использованием пакета прикладных программ MATLAB.

Научные положения, выносимые на защиту:

1. Цветовое пространство YCbCr при квантовании до 32K градаций цвета позволяет сегментировать элементы кожи человека на изображении с вероятностью более 95 %.

2. Метод следящего контурного разложения по полутоновым изображениям имеет линейную асимптотическую сложность и позволяет получать слитные контура без обработки всего изображения и выполнения дополнительных морфологических операций.

3. Разработанная методика двойной дискретизации позволила сравнить операторы выделения границ при работе по оцифрованным изображениям и определить оптимальные по точности Sobel и Isotropic.

4. Обработка цветовой и контурной информации изображения лица позволяет точно (до 3 пикселей) выделять контрольные точки глаз, носа и рта человека с вероятностью более 96 %.

5. Применение параллельной структуры системы идентификации личности по изображению лица позволяет достичь точной идентификации по фронтальным изображениям с вероятностью более 98 %, при сохранении размера признакового пространства не более 300 признаков.

Научная новизна полученных результатов заключается в следующем:

1. Предложены критерии и проведено исследование эффективности сегментации кожи человека в различных цветовых пространствах.

2. Разработана методика оценки точности и помехоустойчивости линейных методов выделения границ на изображениях.

3. Разработан метод следящего выделения контуров на полутоновых изображениях, не требующий обработки всего изображения и выполнения дополнительных морфологических операций.

4. Разработаны методы поиска и выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

5. Разработаны методы классификации на основе алгоритмов AdaBoost и С4.5, сокращающие время обучения классификатора.

6. Разработана модель параллельной структуры системы идентификации личности по изображению лица и аппаратно-программный комплекс, реализующий модель.

Практическую ценность работы представляют:

1. Метод сегментации кожи человека на цветном изображении.

2. Метод следящего выделения контуров на полутоновых изображениях.

3. Набор методов выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

4. Методика ускоренного построения классификатора AdaBoost и C4.5.

5. Аппаратно-программный комплекс идентификации личности по изображению лица.

Внедрение результатов работы. Метод следящего выделения контуров на полутоновых изображениях использован при создании программно математического обеспечения для задач оптического зондирования природных сред специалистами отделения НО-6 ООО ФГУП "НПК "ГОИ им. С.И.

Вавилова" (г. Санкт-Петербург).

Предложенные методы и программное обеспечение использованы при разработке опытного образца биометрической системы контроля доступа, планируемой к внедрению в составе комплексных систем безопасности совместно с ООО "АЛПРО" (г. Санкт-Петербург).

Результаты диссертационной работы внедрены в учебный процесс СПбГЭТУ "ЛЭТИ" в форме материалов для лекций и лабораторных работ по дисциплинам: "Цифровая обработка аудио- и видеосигналов", "Цифровая обработка оптических полей", "Цифровая обработка изображений".

Апробация работы. Основные теоретические и практические результаты диссертации были доложены и получили одобрение на следующих конференциях и семинарах: 8-м открытом российско-немецком семинаре "Распознавание образов и понимание изображений" (РОПИ-8-2011, г. Нижний Новгород, 2011 г.); 8-й и 9-й международных конференциях "Телевидение:

передача и обработка изображений" (г. Санкт-Петербург, 2011 - 2012 гг.); 10й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" (РОАИ-10-2010, г. СанктПетербург, 2010 г.); XV - XVI международных конференциях "Современное образование: содержание, технологии, качество" (г. Санкт-Петербург, 2009 - 2010 гг.); 65й, 64-й и 61-й научно-технических конференциях профессорскопреподавательского состава СПбГЭТУ "ЛЭТИ" (2008, 2011, 2012 гг.), научных семинарах кафедры математического обеспечения и применения ЭВМ и кафедры телевидения и видеотехники СПбГЭТУ "ЛЭТИ".

Публикации. По теме диссертации опубликовано 16 научных работ, из них - 5 статей (опубликованные в ведущих рецензируемых журналах и изданиях, определенных ВАК Минобрнауки РФ), 11 работ - в материалах российских и международных научно-технических конференций.

Структура и объем диссертации. Диссертация состоит из введения, шести глав, заключения, списка литературы, включающего 186 наименований, и приложений. Основная часть работы изложена на 170 страницах машинописного текста. Работа содержит 72 рисунка и 16 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулирована цель и поставлены задачи исследования, дается характеристика работы, представлены выносимые на защиту научные положения, приводится краткое содержание работы по главам.

В первой главе диссертации выполнен анализ предметной области и проведен обзор современных биометрических методов, систем и устройств идентификации. Рассмотрены основные структуры, используемые при построении систем идентификации по изображению лица. Сделан вывод о перспективности параллельно-каскадной структуры системы распознавания.

На основании проведенного анализа сформулирован вывод о необходимости создания новых методов детекции и локализации контрольных точек лица человека, учитывающих цветовую и контурную информацию. Отмечена перспективность разработки метода следящего выделения контуров на полутоновых изображениях.

Во второй главе рассмотрен метод сегментации кожи человека на изображении.

Цвет кожи человека представляется ограниченной областью оттенков, имеющей различную размытость и размер в разных цветовых пространствах.

Ошибки детекции (выделения областей кожи человека, областей фона и общая ошибка) могут быть рассчитаны поэлементно по всему полю изображения как ошибки I и II рода:

S* N - S ( ) (N - S*) S 100%, ERR = FAR S + FRR N - S ( ) FAR =100%, FRR =, N - S S N где S - множество элементов кожи на изображении, S* - множество элементов изображения, детектированных как кожа, N - множество всех элементов на изображении. Такая оценка качества детекции точнее по сравнению с известными методами, но требует предварительного выделения областей кожи человека.

Для сравнения цветовых пространств предложены критерии кластеризации и компактности цветовых компонент, относящихся к цвету кожи человека. Критерий кластеризации цветового пространства характеризуется относительным количеством цветовых оттенков кожи человека и фона:

I N - S I S ( ) I IRкожа = 100%, IRне-кожа =100%, IR = 100%, S N - S N где IRкожа, IRне-кожа - степени кластеризации, IR - общая степень кластеризации; I - множество элементов, представляющих одновременно области кожи и фона.

Критерий компактности рассчитывается как отношение дисперсии цветового оттенка кожи человека в произвольном цветовом пространстве ( D c ) к количеству элементов, составляющих область данного цвета ( S ):

D c VR =.

S Сравнительная оценка проведена для четырех цветовых пространств:

RGB, HSV, YCbCr, CIE Lab и сокращённых модификаций с исключенной яркостной компонентой CbCr и CIE ab.

Рассмотрены два метода сегментации кожи: пороговая классификация (Thresholding) и классификация на основе вероятностной таблицы подстановки (Look up table, LUT).

При пороговой классификации поиск граничных значений для каждого цветового пространства выполнен методом покоординатного спуска для пороговых классификаторов каждой цветовой компоненты по критерию минимальной ошибки ERR, при условии баланса между чувствительностью и специфичностью модели ( FAR = FRR ). Результаты сравнения цветовых пространств и пороговой классификации представлены в табл. 1.

На рис. 1 представлен результат сегментации тестового изображения на основе цветовых пространств RGB и YCbCr и найденных граничных значений.

Таблица Результаты пороговой классификации ERR, % FAR, % FRR, % IR, % VR, x10-IRкожа, % IRне-кожа, % RGB 28,3 28,3 28,3 14,3 57,4 11,4 0,4HSV 18,1 18,1 18,1 14,3 57,9 11,4 0,2YCbCr 7,4 7,4 7,4 19,1 68,9 15,9 0,1CIE Lab 18,6 18,6 18,6 29,9 85,6 26,3 0,1CbCr 7,4 7,4 7,4 70,2 91,3 68,8 0,0CIE ab 14,8 14,8 14,8 67,8 91,6 66,2 0,0а) б) в) г) д) е) Рис. 1. Пример сегментации исходного изображения (а) пороговой классификацией на основе цветового пространства RGB (б), CbCr (в), полной (г) и сокращенной (д) LUT для YCbCr, сокращенной LUT для YCbCr с морфологической и медианной фильтрацией (е) Точность классификаторов на основе полной LUT достигает 95 % и зависит от цветового пространства незначительно. Дополнительная оценка классификаторов выполнена на основе ROC-анализа, путем расчета площади под ROC кривой (параметр AUC ) по методу трапеций. Предложен метод сегментации цвета кожи на основе сокращенной LUT. Установлено, что при сокращении размера LUT более чем в 500 раз объединением цветовых оттенков (квантование градаций цвета), точность классификации снижается менее чем на 2 % (табл. 2).

Таблица Результаты классификации, на основе полной и сокращенной LUT Размер LUT Коэффициент ERR, % FAR, % FRR, % AUC сжатия LUT RGB 256x256x256 - 4,8 4,8 4,8 0,932x32x32 8 6,1 6,1 6,1 0,9HSV 360x100x100 - 5,0 5,0 5,0 0,945x13x13 8 5,9 5,8 5,9 0,9YCbCr 256x256x256 - 5,1 5,1 5,0 0,932x32x32 8 7,2 7,1 7,2 0,9CIE Lab 100x220x220 - 5,4 5,4 5,4 0,913x28x28 8 7,4 7,3 8,8 0,9CbCr 256x256 - 7,1 7,1 7,0 0,932x32 8 9,2 9,3 7,2 0,9CIE ab 220x220 - 8,9 8,8 9,1 0,928x28 8 9,4 9,3 11,6 0,9Сегментация в цветовом пространстве YCbCr позволяет достичь точности 94,1 % при уменьшении размера таблицы подстановки в 512 раз (до 32x32x32, k = 8). Введение морфологической и медианной фильтрации позволяет дополнительно повысить точность классификации до 97 %, сохраняя высокую скорость обработки данных. Предложенный метод расчета медианного фильтра для бинарного изображения-маски на основе суммирования окрестности, позволил повысить скорость классификации и слабо зависит от размера фильтра. Введение морфологической обработки структурным элементом “диск” радиуса 3 и медианным фильтром 3x3, повышает точность классификации на 2,1 %. Скорость классификации для комбинированного метода составила 9.5 Мп/с (обработка кадра D1 требует 43,6 мс). Увеличение размера фильтров не приводит к значительному повышению точности классификации и существенно снижает скорость обработки.

По совокупности характеристик можно сделать вывод, что цветовое пространство YCbCr представляет цвет кожи человека наиболее компактно и при классификации по сокращенной LUT позволяет добиться точности классификации более 95 %.

Третья глава посвящена разработке и исследованию методов выделения границ на полутоновых изображениях.

Разработан метод следящего выделения контуров по полутоновым изображениям. На каждом шаге для определения направления смещения при отслеживании вычисляется направление градиента границы, выполняется сме щение, направление смещения дополнительно уточняется анализом окрестности текущего пикселя. Метод позволяет получать слитные контуры вплоть до пороговых уровней градиента, граничащих с шумами. В результате работы метода формируется координатное или угловое (цепное кодирование Фримена) описание границы объектов.

Для сравнительного анализа операторов границ предложена модель двойной дискретизации изображений, позволяющая проводить оценку ошибок и артефактов, вызванных дискретизацией входных изображений. В модели использованы две сетки дискретизации: грубая, соответствующая пикселям оцифрованного изображения и точная, вложенная в грубую сетку дискретизации. Входное изображение, построенное в точной сетке, соответствует квазинепрерывному при дискретизации в грубой сетке. Модель дает возможность осуществлять субпиксельный сдвиг и вычислять ошибки дискретизации.

Проведено исследование изотропности выделения границ для линейных операторов выделения границ (градиентные операторы Prewitt, Sobel, Isotropic, Robinson, Kirsh; операторы второй производной Laplasian, Log, FreiChen). Рассчитаны ошибки оценки направления и величины границы, протяженность экстремума и смещение границы от истинного положения (см.

рис. 2). Оптимальным по изотропности выделения граничных элементов среди операторов 3х3 элемента являются операторы Sobel и Isotropic.

а) б) в) г) Рис. 2. Графики зависимости величины ошибки определения направления границы - и величины отклика Gpr от направления границы для операторов Prewitt 3x3 (а, в), Isotropic 3x3 (б, г).

Предложенная модель позволила провести исследование ошибок дискретизации при отслеживании острых изломов границы. Оценивались ошиб ки отслеживания границы для операторов первой производной (Sobel, Prewitt, Isotropic, Kirsh и Robinson).

В точной и грубой сетках осуществлялось отслеживание границ и последующее вычисление ошибок. Для вычисления ошибок формировался силуэт по траектории отслеживания угла, и вычислялась площадь ошибки отслеживания при наложении на этот силуэт исходного изображения (рис. 3).

а) б) в) г) д) е) Рис. 3. Иллюстрация силуэта, соответствующего ошибке отслеживания (белая область) изменения направления границы на 165 градусов для субпиксельного сдвига 0 (а), 1/11 (б), 3/11 (в), 5/11 (г), 7/11 (д), 9/11 (е) Оценка ошибки отслеживания проводилась при возможных субпиксельных сдвигах изображения. Графики зависимости величины ошибки отслеживания от угла изменения направления границы представлены на рис. 4.

а) б) Рис. 4. Графики зависимости величины ошибки отслеживания ERRd от угла изменения направления границы для операторов Prewitt (а), Isotropic (б).

Установлено, что операторы Sobel и Isotropic обеспечивает минимальные ошибки при следящем выделении контуров.

В работе проведен сравнительный анализ помехоустойчивости операторов выделения границ на полутоновых изображениях. Относительный уровень выходных шумов детектора A границ по отношению к детектору B границ для “белого” шума может быть рассчитан как:

M DoutA LAB =A MB DoutB где M, MB - нормирующие коэффициенты; DoutA, DoutB - дисперсия выходA ного сигнала. При увеличении ядра оператора за счет усреднения ухудшается разрешение, но существенно улучшается помехоустойчивость. Операторы с использованием второй производной существенно менее помехоустойчивы по сравнению с градиентными операторами.

Из рассмотренных по ошибкам дискретизации, уровню выходных шумов и вычислительным затратам для отслеживания границ целесообразно использование операторов Isotropic 3x3 и Sobel 3x3.

В четвертой главе диссертации представлены разработанные методы выделения черт лица человека (глаз, носа, рта) на фронтальных изображениях.

Детекция глаз основана на значительном цветовом контрасте глаз и кожи. Предложен метод с упрощенной схемой расчета цветовой карты:

ColorMap = Cb - Cr.

В результате детекции глаз выделяются фрагменты областей глаз с последующим уточнением координат центров зрачка (радужной оболочки). Эта информация необходима для нормализации масштаба лица и поиска других черт лица на основе априорных антропометрических соотношений для лица.

В работе установлено, что координаты пикселя максимальной яркости для фрагмента локальной дисперсии яркости полутонового изображения с 98 % вероятностью находятся в области сетчатки (зрачка) глаза. Этот метод используется в качестве первого этапа локализации центров зрачка (рис. 5).

Последующие этапы выполняются с использованием контурного отслеживания границы сетчатки и вычислением центра зрачка.

Рис. 5. Определение центра зрачка по максимуму локальной дисперсии яркости Губы человека имеют характерные цветовые оттенки, что позволяет проводить их эффективную локализацию на цветных изображениях. В разработанном методе используется цветовое пространство YCbCr и формируется изображение Cb2 + Cr2 (рис. 6, б). Далее выполняется пороговая обработка по среднему значению динамического диапазона яркости и медианная фильтрация 5х5 элементов (рис. 6, в). Вероятность точной детекции на экспериментальной базе (более 200 изображений) составила 96 %.

Локализация носа производится на фрагменте изображения, выделенном с учетом априорной информации об антропометрических параметрах лица человека после локализации глаз. Для локализации используется метод проекций по полутоновому изображению. Яркостные минимумы на изображении точно соответствуют центрам ноздрей. На экспериментальной базе из 100 изображений достигнута 99 % точность детекции.

Методы, предложенные в работе, позволяют выделить основные контрольные точки на фронтальном цветном изображении лица человека для формирования репрезентативного признакового пространства и дальнейшей классификации. Подтверждена высокая точность и операционная эффективность предложенных методов.

а) б) в) г) Рис. 6. Этапы работы метода выделения области губ: исходное изображение (а), полутоновое изображение Cb2 + Cr2 (б), двоичное изображение после фильтрации и пороговой обработки (в), результат выделения контура губ (г) Пятая глава посвящена исследованию методов усиления классификаторов на основе метода AdaBoost, а также вопросам их совместной работы с деревьями принятия решений C4.5. Предложена методика ускоренного построения классификаторов.

Метод AdaBoost характеризуется высокой скоростью классификации, легко интегрируется в каскадную и параллельную структуру систем распознавания и является одним из методов машинного обучения, демонстрирующих устойчивость к “переобучению”.

Деревья принятия решений не требуют дополнительной нормализации данных для классификации и способные работать как с категориальными, так и с числовыми критериями.

Известные методы классификации на основе комитета решающих деревьев позволяют получать высокоточные классификационные модели, но склонны к “переобучению”. Актуальной задачей является комбинирование методов усиления классификаторов и деревьев принятия решений, а также исследование влияния глубины деревьев на качество классификации.

Исследование метода AdaBoost выполнено для пороговых классификаторов и C4.5 деревьев глубиной от 2 до 10. Установлено, что пороговый классификатор имеет существенное преимущество по сравнению даже с глубокими деревьями при количестве признаков менее 100. При увеличении количества признаков в классифицируемых данных, более глубокие деревья классификации позволяют достичь минимальной ошибки за меньшее число итераций усиления AdaBoost.

Известно, что метод AdaBoost имеет итеративный характер, и ранжирование обучающих примеров выполняется многократно - на каждом раунде (итерации) метода. Для уменьшения времени построения классификатора, предлагается исключать из обучающей выборки метода примеры, уверенно распознающиеся комитетом классификаторов к данному раунду и имеющие вес Dt < max Dt n min Dt n, где - введенный порог, t - номер раунда ( ) ( ( )) обучения, n = 1,.., N - номер примера, N - количество примеров обучающей выборки. Доля примеров используемых для обучения на каждом раунде может быть определена как kt = Nt N, где Nt - количество примеров участвующих в обучении на раунде t. При выборе 0,01;0,1 в обучении участвуют [ ] от 90 до 99 % общей весовой массы примеров. При этом процедура перераспределения весов примеров, выполняемая на каждом раунде, гарантирует их повторное включение в выборку, в случае увеличения ошибки их классификации.

Графики зависимости величины ошибки классификации ERR и доли примеров k, участвующих в обучении, от порогового значения и номера итерации представлены на рис. 7.

а) б) Рис. 7. График зависимости величины ошибки классификации ERR (а) и доли обучающих примеров k (б) от порогового значения и количества раундов T Анализ полученных данных показал, что сокращение общей весовой доли обучающих примеров на 1 %, позволяет снизить количество примеров в 5 раз при сохранении ошибки классификации в пределах 10 %.

Комбинирование методов AdaBoost с деревьями принятия решений позволяет значительно повысить точность классификации на ранних итерациях усиления.

В условиях бинарной задачи классификации на каждом шаге обучения AdaBoost построенный классификатор должен минимизировать величину ошибки на множестве всех возможных классификаторов. В работе представлено доказательство возможности перевода этой задачи в задачу максимизации. При построении каждого следующего узла дерева происходит максимизация информативности полученного разбиения. Таким образом, при усилении деревьев принятия решений, на каждом шаге AdaBoost, классификатор должен максимизировать выражение, учитывающее весовое распределение примеров:

C freq Lc,WN freq Lc,WN N () ()Dt n xn Lc, Infot WN =- ( ) () log2 ( ( ) ) WN WN n=c= где t - номер раунда AdaBoost, WN - множество примеров узла дерева N, C - количество классов, freq a, B - функция подсчета доли примеров относя( ) щихся к классу a во множестве B, Lc - метка класса c, Dt n – вес n -го при( ) мера на t -м шаге обучения. Построенное таким образом дерево будет “слабым” классификатором, в смысле AdaBoost.

Исследовано влияние введения квантования для числовых атрибутов на сокращение вычислительной сложности построения дерева принятия решений и ошибку классификации. Введение квантования до 100 уровней сокращает вычислительные затраты при построении классификатора втрое и сохраняет ошибку классификации в пределах 10 %.

В шестой главе рассматриваются вопросы реализации аппаратнопрограммного комплекса биометрической идентификации личности по изображению лица. Представлено описание аппаратно-программного комплекса, ограничения на исходные данные и аппаратуру, а также результаты испытаний.

Аппаратно-программный комплекс обладает следующими функциональными возможностями:

• захват лица человека в кадре;

• сохранение захваченных изображений лиц в базе данных;

• идентификация личности в базе данных по изображению лица.

Комплекс предназначен для работы с фронтальным типом изображения лица, характеризующимся достаточным разрешением для проведения визуальной экспертизы и автоматизированного распознавания, и отвечающим требованиям ГОСТ 19794-5-2006.

В состав комплекса входит персональный компьютер, камера и программное обеспечение идентификации личности (разработанная система распознавания лиц). Система распознавания (рис. 8) имеет параллельную структуру с блоком принятия решений (Р), раздельную экстракцию (ЭП) и классификацию (К) признаков.

Рис. 8. Структура системы распознавания лиц Работа системы состоит из следующих этапов:

1. Захват исходного изображения пользователя;

2. Предобработка изображения;

3. Детекция и локализация области лица методами выделений цвета кожи человека и следящего контурного разложения;

4. Экстракция признаков в т.ч.:

• поиск и выделение контрольных точек лица, расчет признаков (ЭП1);

• поиск и выделение области глаз, формирование и редукция признаков на основе дискретного косинусного преобразования (ЭП2);

• поиск и выделение контура области лица, формирование признаков (ЭП3);

5. Классификация каждого набора признаков на основе решающих деревьев C4.5 и метода усиления классификаторов AdaBoost (К1, К2, К3);

6. Принятие итогового решения на основе взвешенного голосования (Р).

В экспериментах использован набор изображений, составленный из 3цветных 24-битных изображений высокого разрешения (512x768), полученных из базы изображений FERET и соответствующих требованиям ГОСТ 19794-5-2006. Для всех экспериментов выполнена кросс-валидация со стратификацией, так как тестовая выборка не была явно представлена. Все эксперименты выполнены на 100 итерациях обучения AdaBoost.

В ходе экспериментов оценивалась доля верно распознанных изображений, ошибки I-го и II-го рода, время обучения и время распознавания, а также влияния каждого типа признаков на точность и общее время распознавания.

Среди всех типов признаков наибольший вклад вносит описание области глаза. Наименьшая эффективность у контура подбородка. Можно сделать вывод о достаточности 100 итераций обучения AdaBoost и отсутствии эффекта “переобучения”.

В заключении сформулированы основные результаты и выводы, полученные в работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ При решении поставленных в диссертационной работе задач получены следующие основные научные и практические результаты:

1. Предложены критерии оценки эффективности сегментации кожи человека по цвету, с использованием которых проведен сравнительный анализ цветовых пространств и оптимизация процедуры сегментации. Установлено, что сегментация кожи в цветовом пространстве YCbCr позволяет достичь точности более 95 % при квантовании цветового пространства всего на 32K градаций.

2. Разработан метод следящего выделения контуров на полутоновых изображениях, не требующий обработки всего изображения и выполнения дополнительных морфологических операций.

3. Разработаны методы поиска и выделения основных контрольных точек на изображении лица человека c точностью до 3 пикселей для более чем 96 % изображений.

4. Разработаны модификации методов классификации AdaBoost и С4.5 с сокращением времени обучения классификатора более чем в 3 раза при сохранении вероятности точной классификации более 90 %. Разработан комбинированный метод классификации на основе AdaBoost и C4.5.

5. Разработан аппаратно-программный комплекс идентификации личности по изображению лица, реализующий модель параллельной классификации признаков и позволяющий достичь точной идентификации по фронтальным изображениям с вероятностью более 98 % при сохранении размера признакового пространства не более 300 признаков.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ В изданиях рекомендованных ВАК РФ:

1. Khomyakov, M.Yu. Comparative Evaluation of Linear Edge Detection Methods [Text] (Сравнительная оценка линейных методов выделения границ) / M.Yu. Khomyakov // Pattern Recognition and Image Analysis. - 2012. - Vol. 22 (2). - P. 291-302.

2. Khomyakov, M.Yu. Comparative Evaluation of Noise Insensitivity of Linear Edge Detection Techniques [Text] (Сравнительная оценка помехоустойчивости линейных методов выделения границ) / M.Yu. Khomyakov // Pattern Recognition and Image Analysis. - 2011. - Vol. 21 (2). - P. 274-278.

3. Хомяков, М.Ю. Классификация цвета кожи человека на цветных изображениях [Текст] / М.Ю. Хомяков // Компьютерная оптика. - 2011. - № 35 (3). - С. 373-379.

4. Хомяков, М.Ю. Принципы построения пакета программ для моделирования систем распознавания изображений лиц [Текст] / М.Ю. Хомяков, Г.А. Кухарев // Известия СПбГЭТУ "ЛЭТИ". - 2010. - № 7. - С. 41-46.

5. Хомяков, М.Ю. Сокращение вычислительной сложности классифицирующих алгоритмов семейства AdaBoost [Текст] / М.Ю. Хомяков, Н.Л. Щеголева // Известия высших учебных заведений России. Радиоэлектроника. - 2010. - № 4. - С. 32-39.

Статьи и материалы конференций:

6. Хомяков, М.Ю. Ошибки отслеживания контуров на полутоновых изображениях [Текст] / М.Ю. Хомяков // Материалы 9-й международной конференции Телевидение: Передача и Обработка Изображений, Санкт-Петербург, Россия. - 2012. - С. 100-103.

7. Khomyakov, M. Edge tracking on grayscale images (Отслеживание контуров на полутоновых изображениях) [Text] / M. Khomyakov // Proceedings of 8th Open German-Russian Workshop on Pattern Recognition and Image Understanding (OGRW-8-2011), Nizhny Novgorod, Russia. - 2011. - P. 127-130.

8. Хомяков, М.Ю. Отслеживание контуров на полутоновых изображениях [Текст] / М.Ю. Хомяков // Материалы 8-й международной конференции Телевидение: Передача и Обработка Изображений, СанктПетербург, Россия. - 2011. - С. 101-105.

9. Khomyakov, M. Comparative Estimation of Edge Detection Methods NoiseStability [Text] (Оценка помехоустойчивости методов выделения границ) / M. Khomyakov // Proceedings of 10th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010), St. Petersburg, Russia. - 2010. - P. 209-212.

10. Хомяков, М.Ю. Предметно-ориентированный язык программирования для курса "Компьютерные методы идентификации личности" [Текст] / М.Ю. Хомяков // Материалы международного форума Современное образование: содержание, технологии, качество, Санкт-Петербург, Россия. - 2010. - С. 132-133.

11. Хомяков, М.Ю. Комплекс программ для курса "Компьютерные методы идентификации личности" [Текст] / М.Ю. Хомяков // Материалы международного форума Современное образование: содержание, технологии, качество, Санкт-Петербург, Россия. - 2009. - С. 176-177.

12. Хомяков, М.Ю. Влияние глубины C4.5 деревьев классификации на качество распознавания [Текст] / М.Ю. Хомяков // Материалы 64-й научно-технической конференции СПбНТОРЭС, посвященной Дню радио, Санкт-Петербург, Россия. - 2009. - С. 201-203.

13. Хомяков, М.Ю. Влияние методов предварительной обработки изображений на качество распознавания лиц на изображениях [Текст] / М.Ю. Хомяков // Материалы 63-й научно-технической конференции СПбНТОРЭС, посвященной Дню радио, Санкт-Петербург, Россия. - 2008. - С. 219-221.

14. Хомяков, М.Ю. Построение биометрической системы на основе алгоритма усиления слабых классификаторов [Текст] / М.Ю. Хомяков // Материалы XIII Всероссийской научно-технической конференции Новые информационные технологии в научных исследованиях и образовании (НИТ-2008), Рязань, Россия. - 2008. - С. 23-25.

15. Хомяков, М.Ю. Анализ некоторых методов предварительной обработки в биометрической системе [Текст] / М.Ю. Хомяков // Сборник материалов Всероссийской научно-практической конференции с международным участием Информационные технологии в профессиональной деятельности и научной работе, Йошкар-Ола, Россия. - 2008. - С. 104105.

16. Хомяков, М.Ю. Влияние методов уменьшения размерности пространства признаков на эффективность алгоритма усиления слабых классификаторов [Текст] / М.Ю. Хомяков // Сборник статей XXI Международной научно-технической конференции Математические методы и информационные технологии в экономике, социологии и образовании, Пенза, Россия. - 2008. - С. 233-234.







© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.