CC BY
1
УДК004.932
ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ ПРИ РАСПОЗНАВАНИИ ЛИЦ
М.О. Кутузова Научный руководитель - М.Н. Фаворская
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-тай:тагта.ки1;и2Оуа.00@тЬох.ги
В докладе рассматривается необходимость предварительной обработки изображений при распознавании лиц, актуальность выделения биометрических признаков.Приведено описание методов обработки, также продемонстрировано влияние предварительной обработки на процесс распознавания лица.
Ключевые слова: обработка изображений, биометрические признаки.
IMAGE PRE-PROCESSING FOR FACE RECOGNITION
M.O. Kutuzova Scientific supervisor - M.N. Favorskaya
ReshetnevSiberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation Е-mail:marina.kutuzova.00@inbox.ru
The report discusses the need for image pre-processing for face recognition, the relevance of extracting biometric features. The description of processing methods is given, and the influence of pre-processing on face recognition is also demonstrated.
Keywords: image processing, biometric features.
Во многих практических задачах необходимо выделять биометрические признаки лица. Данный подход используется во многих сферах компьютерного зрения, контроля безопасности или в развлекательных целях. В современном мире в большей мере возникает необходимость обеспечения безопасности в местах большого скопления людей, таких как аэропорты, вокзалы и другие. В данном случае, принято использовать программные модули, оснащенные интеллектуальными детекторами, позволяющие находить лица на изображении распознавать определенный круг персонала. Однако для решения задачи распознавания лиц необходим грамотно составленный обучающий набор данных.
Следует понимать, что проблема, присущая многим тренировочным наборам, состоит в том, что в них могут присутствовать элементы, полученные при изменяющихся сопутствующих факторах. В случае изображений примерами таких факторов являются уровень освещения и направленность источника света. В таких случаях применяемая интеллектуальная система может воспринять более или менее освещенный участок за основной признак, что может привести к некорректной работе модуля распознавания лиц. Очевидно, что такие недостатки элементов тренировочных наборов необходимо скомпенсировать или исключить. Методом решения данной проблематики является использование предварительной обработки изображений, как входящих в обучающий набор данных, так и поступающих на вход системы в условиях штатной работы.
Секция «Программные средства и информационные технологии»
Существует большое разнообразие методов компенсации освещения при обработке изображений. Однако самыми известными и эффективными являются DoG-фильтрация и частота фильтрации полосовыми фильтрами.
Метод difference ofGaussians (DoG) [1] обнаруживает края путем применения размытия изображения по Гауссу (Gaussianblur) с указанным значением стандартного отклонения. Полученное изображение является размытой версией исходного изображения. Следующим этапом является обработка другим размытием с меньшим значением стандартного отклонения, что позволяет получить более резкое изображение, чем в предыдущем случае. Получение конечного результата вычисляется путем замены каждого пиксела разностью между двумя размытыми изображениями. Частным случаем нормализации яркости изображения является совместное применение методов DoGи гамма-коррекции. Частотный полосовой фильтр[2] при нормализации освещения подавляет высокочастотные шумы и сглаживает неравномерное освещение изображений, кодируемое в изображении низкими частотами.
Предварительная обработка изображений лиц, как правило, не завершается лишь компенсацией яркости освещения. Дополнительно могут быть применены методы повышения контраста исходных наборов данных. В данной работе используется метод CLAHE (contrast limited adaptive histogram equalization) [3].Адаптивное выравнивание гистограммы c ограничением построено на следующем алгоритме. Первоначально изображение разбивается на прямоугольные области (блоки). В каждом блоке вычисляется гистограмма распределения яркости. Чтобы избежать перенасыщения монотонных участков изображения, ограничивается наклон функции распределения яркости путем введения ограничения на максимальное значение частоты яркости. После ограничения для каждой области формируется своя функция преобразования яркости на основе выравнивания гистограммы распределения яркости.
В качестве подхода к распознаванию лиц был выбран метод Виолы-Джонса[4]. Данный метод содержит в себе четыре ключевые концепции: функции Хаара, интегральное изображение для быстрого обнаружения функции, AdaBoost и каскадный классификатор. Результаты обучения каскадов представлены в общем доступе в виде классификаторов Хаара в XMLфайле[5]. В процессе работы была использована библиотека OpenCV[6], которая содержит методы для работы с классификаторами Хаара.
Для подтверждения эффективности предварительной обработки изображений лиц был использован открытый набор данных CaltechFaces [7]. База данных Caltech содержит 450 фронтальных изображений лиц 27 персон в разных вариациях освещения. На рисунке 1 приведены примеры изображений данного набора.
Рис. 1. Примеры изображений лиц набора данных
В качестве метрик для оценки эффективности распознавания лиц чаще всего используются две вероятностные характеристики: falseacceptrate(FAR) - вероятность ложного обнаружения и falserejectrate(FRR)-вероятность пропуска цели. Для полученияусредненной оценки эффективности распознавания обычно берется характеристика equalerrorrate (EER) - равный уровень ошибок FAR и FRR. Алгоритм с меньшей оценкой EER считается более эффективным.
В таблице 1 представлены экспериментальные данные, полученные в ходе тестирования модуля распознавания лиц, основанного на методе Виолы-Джонса, с применением предварительной обработки: размытие изображения по Гауссу с указанным значением стандартного (БоО), адаптивное выравнивание гистограммы с ограничением(СЬЛНБ) и частотный полосовой фильтр. Обучающий и тестовый наборы данных обрабатывались одинаковыми алгоритмами.
Таблица 1
Результаты предварительной обработки изображений в системе распознавания лиц_
Методы обработки ERR, %
Размытие изображения по Гауссу с указанным значением стандартного отклонения 14,0
Адаптивное выравнивание гистограммы с ограничением 14,2
Частотный полосовой фильтр 15,6
Без обработки 18,3
По результатам сравнения характеристики ERR наиболее эффективными оказались метод размытия изображения по Гауссу с указанным значением стандартного отклонения(ВоО) и метод адаптивного выравнивания гистограммы c ограничением(СЬЛНЕ). В этом случае ERR составила на 4% меньше, чем показатель эффективности алгоритма без какой-либо обработки. Таким образом, применение предварительной обработки в системах распознавания лиц позволяет улучшить эффективность метода, не внося значительные изменения в структуру модуля.
Библиографические ссылки
1. LoGandDoGfilters [Электронный ресурс]. URL: http://www.cse.psu.edu (дата обращения: 23.01.2022).
2. Частотные методы улучшения изображений [Электронныйресурс]. URL: http://edu.mmcs.sfedu.ru (дата обращения: 23.01.2022).
3. Adaptive histogram equalization [Электронный ресурс]. URL: https://en.wikipedia.org (дата обращения: 25.01.2022).
4. Метод Виолы - Джонса [Электронныйресурс]. URL: https://habr.com (дата обращения: 25.01.2022).
5. Harrcascadeclassifierfrontalface [Электронный ресурс]. URL: https://habr.com (дата обращения: 25.01.2022).
6. OpenCV [Электронный ресурс]. URL:https://opencv.org/ (дата обращения: 25.01.2022).
7. CaltechFaces [Электронный ресурс]. URL: http://www.vision.caltech.edu (дата обращения: 26.01.2022).
© Кутузова М О, 2022
