Анализ существующих подходов сегментации лиц на изображении Текст научной статьи по специальности «Компьютерные и информационные науки»

Актуальные проблемы авиации и космонавтики - 2016. Том 1

УДК 004.932.72'1

АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ СЕГМЕНТАЦИИ ЛИЦ НА ИЗОБРАЖЕНИИ

П. А. Вдовенко Научный руководитель - М. Н. Фаворская

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: [email protected]

Рассматриваются вопросы обработки изображений, содержащих лицо человека. Проводится анализ существующих подходов сегментации лица на изображении.

Ключевые слова: обработка изображений, признаки Хаара, локальные бинарные шаблоны, сегментация лица.

ANALYSIS OF EXISTING APPROACHES FOR THE FACE SEGMENTATION

P. A. Vdovenko Scientific Supervisor - M. N. Favorskaya

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

The processing of images containing human's face is considered. The existing face segmentation approaches in the images are analyzed.

Keywords: image processing, Haar features, local binary patterns, face segmentation.

Проблемы поиска лиц на изображении связаны с множеством факторов таких, как освещение, низкое разрешение входного изображения, зашумленность, множественная вариативность лиц в виде индивидуальных особенностей, а также геометрических искажений. Разные методы решения данной задачи по-разному чувствительны к тем или иным факторам, приведенным выше, но имеют одну общую проблему - необходимость в обширной базе данных для предварительного обучения, если речь идет о создании системы способной работать в реальных условиях.

Метод Виолы-Джонса [1] основан на так называемых признаках Хаара, представляющих собой разнообразные смежные, прямоугольные области черного и белого цвета (рис. 1).

Рис. 1. Примеры признаков Хаара, применяемых в методе

Признаки позиционируются на изображении исходя из их собственных критериев, далее происходит суммирование значения яркости пикселей в белых и черных прямоугольных областях, после чего вычисляется разность между этими суммами, в зависимости от заданных весов. Такой подход

Секция «Программные средства и информационные технологии»

эффективен благодаря скорости вычисления самих признаков, с учетом предварительного перевода изображения в интегральную форму, но является чувствительным к освещению и ресурсоемким в процессе обучения каскадных классификаторов.

Локальные бинарные шаблоны [2] (ЛБШ) представляют собой простой оператор, описывающий окрестности каждого пиксела в виде двоичного кода. Двоичный код формируется по следующим правилам: пикселы в окрестности центрального пиксела, имеющие значение больше или равное ему, записываются в виде «1», а те пикселы, которые имеют меньшее значение, помечаются в виде «0» (рис. 2).

Рис. 2. Пример расчета локального бинарного шаблона

Расширенная версия ЛБШ, называемая мульти-блочные локальные шаблоны [3], позволяет производить расчёты для блока, состоящего из нескольких пикселей, и тем самым описывать окрестности прямоугольных областей различных размеров на изображении. Полученные области являются признаками, отдаленно напоминающими признаки Хаара, но при этом не имеющими столь сильную чувствительность к освещенности изображения. Высокая скорость вычисления достигается из-за простоты вычислений самих ЛБШ, а так же из-за использования изображения в интегральной форме. Обучение каскадных классификаторов не требует больших затрат ресурсов.

Оба метода, рассмотренные выше, имеют свои сильные и слабые стороны. Обоснованность их использования полностью зависит от определенных целей и доступности ресурсов. В системах, проектируемых для работы в условиях плохой освещенности, а также при наличии ограничения во временных или вычислительных ресурсах, локальные бинарные шаблоны являются наиболее оптимальным выбором. В системах, проектируемых для работы в условиях равномерного освещения и требующих более высокой точности распознавания, а также при наличии достаточного количества ресурсов, метод Виолы-Джонса является более предпочтительным.

Библиографические ссылки

1. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2001. Vol. 1. P. I-511-I-518.

2. Ojala T., Pietikainen M., Maenpaa T. Multire solution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24(7). P. 971-987.

3. Zhang L., Chu R., Xiang S., Li S. Z. Face Detection Based on Multi-Block LBP Representation. Proceedings of the International Conference on Biometrics. 2007. P. 11-18.

© Вдовенко П. А., 2016