CC BY
13
УДК 004
Тухтасинов М. Т.
Имамназаров Э. Д.
Наманганский инженерно-строительный институт
Узбекистан, г. Наманган АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА ОСНОВЕ ОПЕРАТОРА ЛОКАЛЬНО НАПРАВЛЕННЫЕ ШАБЛОНЫ (ЛНШ)
Аннотация: В статье рассмотрены методы решения задачи распознавания фронтальных лиц на основе оператора «локальные направленные шаблоны» (ЛНШ). Приведены алгоритмы выделения лицевых признаков с помощью оператора ЛНШ. Приведены результаты экспериментального исследования разработанных алгоритмов, определены преимущества ЛНШ, а также осуществлен сравнительный анализ результатов распознавания с использованием признаков изображения лица, выделенных с помощью различных операторов семейства локальных шаблонов.
Ключевые слова: изображение лица, распознавание лиц, локальные направленные шаблоны, гистограмма изображения.
Tukhtasinov M. T.
Namangan Civil Engineering Institute Uzbekistan, the city of Namangan Imamnazarov E.D.
Namangan Civil Engineering Institute Uzbekistan, the city of Namangan
ALGORITHMS OF RECOGNITION OF THE FACE ON THE BASIS OF THE OPERATOR LOCAL DIRECTIONS.
Abstract: Methods for solving the problem of recognition offrontal faces are considered on the basis of the operator "local directed patterns" (LNS). Algorithms for selecting facial features using the LNS operator are presented. The results of an experimental study of the developed algorithms are presented, the advantages of the LNS are determined, and a comparative analysis of the recognition results is carried out using the features of the face image extracted with the help of various operators of the family of local patterns.
Keywords: face image, face recognition, local directional patterns, image histogram.
В настоящее время автоматизация решения задач идентификации личности на основе биометрических технологий является важным аспектом совершенствования информационных технологий. Очевидно, что для этого необходимо разработать эффективные методы и алгоритмы определения надёжных идентификационных признаков объекта, а также методы распознавания на их основе.
В настоящее время для описания признаков объектов на изображении
широко используются локально направленные шаблоны (ЛНШ). Особенно они эффективно используются при решении задачи идентификации личности на основе анализа изображения лица [1-3].
В данной статье подробно описаны методы и алгоритмы определения идентификационных признаков фронтального изображения лица на основе ЛНШ, а также алгоритмы идентификации личности человека по изображению их лица.
Постановка задачи. К настоящему времени в мире разработано несколько методов выделения локальных признаков лица, среди которых локальные бинарные шаблоны (ЛБШ) [4-5] являются базовыми. Учеными предметной области разработаны различные вариации применения ЛБШ при формировании признакового пространства изображения лица. Однако у данного метода имеются несколько недостатков: шум на изображении, неравномерное освещение и другие подобные помехи отрицательно влияют на точность распознавания с применением ЛБШ. Следовательно, появляется задача повышения точности распознавания с использованием локальных признаков изображения лица, т.е. необходимо разработать более эффективный алгоритм выделения признаков изображения лица, устойчивый к указанным выше помехам.
Целью данной работы является разработать алгоритмы идентификации личности человека по изображению его лица на основе выделения локальных признаков этого изображения.
Для достижения поставленной цели необходимо решить следующие основные задачи:
- определение области лица на изображении;
- определение координат глаз на изображении;
- выделение центральной части лица на изображении и его нормализация;
- формирование признакового пространства изображения центральной части лица на основе оператора ЛБШ;
- идентификация личности на основе сравнения лицевых признаков.
Далее описаны предлагаемые алгоритмы решения перечисленных выше
задач.
Алгоритмы поиска области лица, глаз и выделения центральной части лица на изображении. Поиск местонахождения области лица и лицевых элементов на изображении является важной задачей, так как его точность непосредственно влияет на точность работы системы в целом.
Для определения области лица на изображении использован корреляционный анализ, на основе которого производилась оценка схожести части изображения и эталона. За эталон изображения лица принято усредненное изображение, сформированное из более сорока нормализованных изображений лиц людей разного возраста и пола.
Для поиска зрачков был использован модифицированный алгоритм
преобразования Хафа. Идея данного алгоритма состоит в том, что в рассматриваемой области находятся координаты центра окружности, описанной наиболее тёмными пикселями изображения.
Данные алгоритмы более подробно описан в [6]. На рис. 1 приведены результаты, полученные на основе применения алгоритмов данного этапа. На рис. 2а приведен результат поиска области лица и глаз на исходном изображении, на рис. 2Ь - выделенная нормализованная центральная часть изображения лица - важная область лица, которая содержит значимые его элементы.
а) Ь)
Рис. 1. Результаты поиска области лица и его элементов на изображении (а) и выделенная центральная часть изображения лица (Ь).
Входными данными для следующего алгоритма является полутоновое изображение размером w^h, сформированное из нормализованной центральной части изображения лица, где зрачки глаз лежат на одной горизонтальной линии (рис. 2Ь).
Алгоритм формирования признакового пространства изображения лица на основе ЛНШ. Для формирования признакового пространства на основе ЛНШ используются оператор (маски) Кирша [7, 11]. Известно, что эти маски используются для определения граничных (контурных) пикселей. Для этого вычисляются центральные пиксели окна размером 3*3 на основе восьми масок, приведенных на рис. 2.
Значения каждого пикселя изображения вычисляются по маскам Кирша. Эту процедуру рассмотрим на конкретном примере. Пусть значения пикселей в рабочем окне размером 3*3 рассматриваемой области на полутоновом изображении будут равны числам, приведенным на рис. 3.
-3 -3 -1
5 0 -3
5 5 -3
-3 -3 -3
-3 0 5
-3 -3 -3 -3 5 5
-3 0 -3
5 5 5
Рис. 2. Маски Кирша. Здесь N - север, S - юг, W - запад, Е - восток, NW северо-запад, Ж - юго-восток, - юго-запад, ИЕ - северо-восток.
25 52 31
210 40 60
180 125 77
Рис. 3. Первоначальные значения (пример) пикселей в рассматриваемом локальном окне.
Сначала применяется маска N (север). Вычисление осуществляется следующим образом:
N = (5 • 25) + (5 • 52) + (5 • 31) + (-3 • 60) + (-3 • 77) + (-3-125) + (-3-180) + (-3 • 210) + (0 • 40) = 5 • (25 + 52+31) - 3 • (60+77+125+180+ 210) = -1416.
Отсюда, на место числа 52, стоящего на севере локальной области, ставится число -1456. Подобным образом вычисляются остальные значения локальной области на основе соответствующих масок Кирша. Таким образом, значения локального окна (рис 3) были полностью изменены (рис. 4). Следует отметить, что значение центра маски Кирша всегда будет равным нулю.
16 -1456 -1136
1040 0 -936
1840 776 -184
Рис. 4. Значения локального окна после применения масок Кирша
Далее выполняется бинаризация этих значений. В исследованиях, посвященных ЛНШ, были предложены различные варианты бинаризации. Исследуя их, был выбран самый эффективный способ, который описан далее.
Сначала полученные результаты, кроме центрального значения, упорядочиваются по возрастанию:
а(8) = &,...,g4, g5,...,£8}.
Полученные значения из нашего примера примут следующий вид: G(8) = {-1456, -1136, -936, -184, 16, 776, 1040, 1840}.
Первую половину из восьми упорядоченных значений, т.е. первые четыре заменяем нулем, а остальные - единицей. Далее размещаем их последовательно по часовой стрелке и получаем двоичное число из восьми чисел. И наконец, данное число преобразуем в десятичное:
LDP(хс, ус) = £ 5(gi) • 2';
'=1
5 ( х) =
[1, если х > g4, 0,иначе.
На рис. 5 приведена общая схема выделения признаков на основе ЛНШ (по значениям примера).
25 52 31
210 40 60
180 125 77
: Кирш
16 -1456 -1136
1040 0 -936
1840 776 -184
ЛНШ
1 0 0
1 0
1 1 1
ф (10001111)^143,
Рис. 5. Общая схема выделения признаков на основе ЛНШ
На основе выше проведенных вычислений получаем число, которое размещаем в центре окна. В рассматриваемом примере вместо 40 ставим 143. Подобным образом вычисляются значения ЛНШ и для других пикселей изображения. На рис. 6 приведено исходное изображение и (рис. 6а) и результат вычисления его ЛНШ (рис. 6Ь).
а) Ь)
Рис. 6. Изображение лица (а) и его ЛНШ (Ь) Признаковое пространство изображения лица формируется из гистограмм матрицы ЛНШ. Для этого данная матрица делится на N частей (чаще всего, N=7*7=49), вычисляются гистограммы для каждой части и соединяются последовательно. Схема данного процесса приведена на рис.7.
ЛНШ
ЛВВзШЯ
Гистограммы ЛНШ
Рис. 7. Построение признакового пространства на основе гистограмм
ЛНШ (N=7*7)
Алгоритм идентификации личности на основе сравнения лицевых признаков. Полученные гистограммы ЛНШ двух изображений лица можно сравнить путем вычисления корреляции, критерия Хи-квадрат, расстояния Бхаттачария, пересечений и др.[8]. Экспериментальным путем определено, что использование критерия Хи-квадрат для сравнения гистограмм ЛНШ двух
изображений является более эффективным. Формула вычисления критерия Хи-квадрат выглядит следующим образом:
Х2 ( Н2) = |5 (МЬ^
1 ^ % ндо+Н2О) . (2)
Известно, что каждая область изображения лица имеет различную степень важности при их сравнении. Учет этого факта при сравнении изображений существенно повысит эффективность данного алгоритма. По результатам проведенных экспериментальных исследований были определены весовые коэффициенты для различных частей лица, представленные на рис. 8.
Рис. 8. Коэффициенты частей лица
С учетом весовых коэффициентов формула вычисления критерия Хи-квадрат преобразуется на следующую:
(я„ я, ) = f jj
j=i 1=0 я /о)+я 2(i) (4)
Анализ полученных результатов. Программное обеспечение, разработанное на основе предлагаемых алгоритмов, было протестировано на базе изображений, состоящей из 2000 фотографий. В состав базы включены фотографии различного размера и снятые при различных условиях освещения. К тому же они получены с помощью различных технических средств (фотоаппарат, камера, сканер и т.п.). Кроме того, в состав базы также включены изображения из стандартных для проверки работоспособности разработанных алгоритмов баз ORL [12] и Yale [13].
Также был проведен сравнительный анализ ЛНШ с другими алгоритмами, относящимся к семейству локальных бинарных шаблонов: LBP [3] (ЛБШ), CS-LBP [9] (симметричные относительно центра ЛБШ), MB-LBP [10] (многоблочные ЛБШ). На рис. 10 приведен график значений показателя точности распознавания перечисленных алгоритмов на экспериментальной базе изображений. Из данного графика видно, что точность распознавания алгоритма на основе гистограмм ЛНШ (95%) выше, чем этот же показатель остальных алгоритмов. Исследования также показали, что ЛНШ более устойчив к неравномерным условиям освещения исходного изображения. Однако следует отметить, что ЛНШ более чувствителен к размеру исходного изображения. Также отметим, что использование весовых коэффициентов при сравнении изображений повысило точность распознавания.
96 1 95
3 93 1 92 i"91-§ 90 | 89 88 ll N И
LBP CS-Операторы LBP MB. локальных n LBP LC ризнаков p
Рис. 9. Показатели точности распознавания алгоритмов Заключение. Опираясь на результаты проведенных исследований, можно сделать следующие выводы. Несмотря на то, что алгоритмы семейства локальных шаблонов относительно просты, формируемые с их помощью пространства признаков, используемые для распознавания, дают приемлемые результаты. Еще одним их преимуществом является простота их программной реализации.
Алгоритм выделения лицевых признаков с помощью оператора ЛНШ является наиболее эффективным среди операторов семейства локальных шаблонов. Данный алгоритм является более устойчивым к неравномерным условиям освещения сравниваемых изображений относительно других алгоритмов.
Задание весовых коэффициентов для каждой области изображения лица, характеризирующих степень важности признаков этой области, позволило повысить точность распознавания.
Использованные источники:
1. Faraji M.R., Qi X. Face recognition under illumination variations based on eight local directional patterns // IET Biometrics, Volume 4, Issue 1, 2015, p. 10-17.
2. Jabid T., Kabir M., Chae O. Local directional pattern (LDP) for face recognition // Digest of Technical Papers Int. Conf. on Consumer Electronics, 2010, pp. 329330.
3. Yan W, Guoqing H. Expression Recognition Algorithm Based on Local Directional Binary Pattern // Journal of Computational Information Systems 10: 8, 2014, pp. 3221-3228.
4. Chan C. H. Multi-scale local binary pattern histogram for face recognition. Ph.D. dissertation, Centre for Vision, Speech and Signal Processing School of Electronics and Physical Sciences University of Surrey, 2008,144 p.
5. Фазылов Ш.Х., Мирзаев Н.М., Тухтасинов М.Т. Об одном алгоритме определения местонахождения лица и координат зрачков на изображении // Всероссийская конференция «Математические методы распознавания образов» (ММРО-13), Москва, 2007. - С.409-411.
6. Pratt, W. K. Digital image processing, 4th ed., -USA, 2007, -782 p.
7. Bradski G., Kaehler A. Learning OpenCV, Computer Vision with the OpenCV Library, -USA, 2008, - 580 p.
8. Liao S. and Li S. Z. Learning multi-scale block local binary patterns for face recognition // International Conference on Biometrics - ICB, 2007, pp. 828-837.
9. https ://en.wikipedia.org/wiki/Kirsch_operator
10.http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
11.http://vision.ucsd.edu/content/yale-face-database УДК 568.9
Чипула В. С. студент магистрант 2 курса факультет «Математики и информатики» Амурский государственный университет научный руководитель: Еремин И.Е., д-р техн. наук
Россия, г. Благовещенск КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ РЕТРОСПЕКТИВЫ
ПЛОЩАДИ ПОБЕДЫ В ХХ - XXI ВЕКАХ Аннотация: В статье рассматривается создание компьютерной ретроспективы. Конечным результатом работы будет являться программное приложение, выполняющее функции интерактивной трехмерной исторической карты.
Ключевые слова: текстура, SD-моделирование, низкополигональная модель, геоинформационная система.
Chipula V.S. student magisters second year student, faculty «Mathematics and Informatics»
Amur state university Russia, city. Blagoveshchensk Scientific adviser: Eremin I..Е.
Grand PhD Engineering sciences COMPUTER MODELING THE RETROSPECTIVE OF THE VICTORY SQUARE IN THE XX - XXI CENTURY Annotation. This article considers the creation of a computer retrospective. The finished result of this work will be program application performing the functions of an interactive three-dimensional historical map.
Keywords: texture, 3D-modeling, low-polygonal model, geographic information system.
В статье рассматривается создание компьютерной модели ретроспективы площади Победы в ХХ - XXI веках.
В настоящее время важность изготовления компьютерной графики сложно переоценить. Моделирование играет очень важную роль в нашей жизни. Оно применяется практически во всех областях нашей деятельности: в науке, медицине, экономике, образовании и т.д. Общество не стоит на месте, прогрессивное развитие технического прогресса сделали компьютерную графику очень востребованной во многих направлениях.
Использование различных моделей помогает человечеству узнать о том, что представлял собой мир в прошлом, понять причины многих явлений в настоящем и предсказать события, которые возможно могут произойти в будущем. А очень большое значение и перспективы имеет создание
