CC BY
28Программные средства и информационные технологии
ставлено применение LPт-последовательности в генетическом алгоритме оптимизации применительно к базам данных 1С [2].
Особое внимание уделено особенностям применения LPт-последовательности, применительно к базам 1 С.
Целью доклада является выявление эффективности применения LPт-последовательности в генетическом алгоритме оптимизации применительно к базам 1С.
Библиографические ссылки
1. Соболь И. М., Статников Р. Б. Выбор оптимальных параметров в задачах со многими критериями. М. : Наука, 1981.
2. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, Reading, MA, 1989.
References
1. Sobol' I. M., Statnikov R. B. Vybor opti-mal'nykh parametrov v zadachakh so mnogimi kriteriya-mi. M. : Nauka, 1981.
2. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, Reading, MA, 1989.
© Павленко А. А., 2014
УДК 004.93
ЛОКАЛИЗАЦИЯ ЛИЦА НА ИЗОБРАЖЕНИИ С ПОМОЩЬЮ МЕТОДА ЛОКАЛЬНЫХ БИНАРНЫХ ШАБЛОНОВ
Ф. М. Подпорин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: podporin.f@ya.ru
Разработан и реализован алгоритм локализации с использованием метода локальных бинарных шаблонов. Решена актуальная задача, которая позволяет локализировать лица на изображении в режиме реального времени. Проведены эксперименты с использованием изображений различных размеров и освещенности для оценки качества и скорости работы алгоритма в различных условиях.
Ключевые слова: локализация лиц, локальные бинарные шаблоны, обработка изображений, распознавание образов.
FACE LOCALISATION IN AN IMAGE WITH LOCAL BINARY PATTERNS
F. M. Podporin
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation Е-mail: podporin.f@ya.ru
Localization algorithm with the use of local binary patterns is developed and implemented and an essential problem, which allows a person to locate faces in an image in real time, solved. The experiments are performed using images of different sizes and light to evaluate the quality and speed of the algorithm under different conditions.
Keywords: face localization, local binary patterns, image processing, pattern recognition.
Локализация лица является первым шагом в системе автоматического распознавания лица. В задаче локализации уже известно, что лицо существует на входном изображении, и задачей является определение его конкретного местоположения.
В настоящее время существует множество эффективных алгоритмов для локализации лиц на изображении, однако большинство таких методов имеют повышенные требования к вычислительным мощностям и зачастую не пригодны для решения задач в реальном времени. В то время как более простые
алгоритмы могут обеспечить удовлетворительный результат лишь при определенных условиях сьемки [1]. В настоящий момент существует потребность в надежном и нетребовательном к вычислительным ресурсам методе или композиции методов для возможности поиска лиц на изображениях различного качества в реальном времени.
Локализация лица из входного изображения является достаточно трудоемкой задачей в связи с вариациями масштаба, позы, затемнения, освещения, выражений лица и фоновых отражений. Несмотря на
Решетневскуе чтения. 2014
многочисленные методики компенсирования таких вариаций, задача по улучшению и упрощению методов локализации остается крайне актуальной. Решение этой задачи позволит использовать системы локализации лиц в реальном времени без существенных затрат вычислительных мощностей.
В данной работе рассматривается метод классификации текстур с помощью локальных бинарных шаблонов (ЛБШ), развитие и возможности данного оператора и способы его применения к задаче локализации лиц на изображении.
При достаточно небольшом объёме вычислений метод ЛБШ инвариантен к изменениям в условиях освещения и небольшим поворотам изображения [2; 4]. Благодаря чему данный метод является наиболее перспективной основой для разработки алгоритма локализации лиц на изображениях, полученных при неблагоприятных условиях съемки.
В ходе работы был предложен алгоритм на основе метода ЛБШ для построения дескриптора лица и поиска похожей последовательности на изображении для локализации. Так как лицо является сложной структурой, для более точной локализации необходимо разделять изображение на участки и применять метод ЛБШ к каждому из них.
Метод ЛБШ учитывает лишь наличие тех или иных локальных особенностей объекта, но не учитывает их взаимное расположение [3]. Был разработан и протестирован программный модуль, реализующий данный алгоритм.
Эксперименты с использованием выборки изображений различного размера и освещенности показали удовлетворительную скорость и точность локализации. Было замечено, что скорость локализации зависит только от размера входного изображения и не зависит от сложности фона и условий сьемки. Это позволяет применять метод для решения различных задач, где на каждое вычисление отводится ограниченное количество времени.
В дальнейшем планируется оптимизация алгоритма и усложнение программного модуля путем компо-
зиции различных методов для повышения быстродействия и надежности локализации.
Библиографические ссылки
1. Jafri R., Arabnia H. R. A Survey of Face Recognition Techniques // Journal of Information Processing Systems, 2009. P. 41-67.
2. Maenpaa T. The Local Binary Pattern Approach to Texture Analysis - Extensions and Applications // Oulu University Press, 2003. P. 35-52.
3. Maturana D., Mery D., Soto A. Face Recognition with Local Binary Patterns, Spatial Pyramid Histograms and Naive Bayes Nearest Neighbor classification // In Proc. of the XXVIII Intern. Conf. of the Chilean Computer Science Society. IEEE CS Society. 2009. P. 98-121.
4. Ojala T., Pietikainen M., Maenpaa T. Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Trans. Pattern Analysis and Machine Intelligence, 2002. P. 971-987.
References
1. Jafri R., Arabnia H. R. A Survey of Face Recognition Techniques // Journal of Information Processing Systems, 2009. p. 41-67.
2. Maenpaa T. The Local Binary Pattern Approach to Texture Analysis - Extensions and Applications // Oulu University Press, 2003. p. 35-52.
3. Maturana D., Mery D., Soto A. Face Recognition with Local Binary Patterns, Spatial Pyramid Histograms and Naive Bayes Nearest Neighbor classification // In Proc. of the XXVIII International Conference of the Chilean Computer Science Society, IEEE CS Society, 2009. p. 98-121.
4. Ojala T., Pietikainen M., Maenpaa T. Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Trans. Pattern Analysis and Machine Intelligence, 2002. p. 971-987.
© Подпорин Ф. М., 2014
УДК 004.932
КАТЕГОРИЗАЦИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ САМООРГАНИЗУЮЩЕЙСЯ НЕЙРОННОЙ СЕТИ
А. В. Проскурин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-таП: Proskurin.AV.WOF@gmail.com
Предложен метод автоматической категоризации изображений на основе самоорганизующейся нейронной сети ЕБОШЫ. Представлены экспериментальные результаты исследования метода и его основные преимущества.
Ключевые слова: автоматическая категоризация, самоорганизующаяся нейронная сеть.
