Алгоритм детектирования областей лиц и рук на изображении на основе метода Виолы-Джонса

Размещено на http://www.allbest.ru/

АЛГОРИТМ ОБЛАСТЕЙ ЛИЦ И НА ИЗОБРАЖЕНИИ ОСНОВЕ МЕТОДА - ДЖОНСА

М.В. Козырь

Омский технический университет, г. Омск,

Аннотация

изображение рука детектирование

В работе актуальность задачи лиц и рук изображениях в рамках детектирования людей изображениях. В ходе существующих методов решение о необходимости методов Виолы - и алгоритма цветовой для дальнейшего и реализации. При цветовых простр экспериментально было пространство YCbCr, наилучший результат сегментации. Устранение компоненты Y при позволяет достичь к изменению освещения. Рассмотрены 2 реализации алгоритма сегментации: на априорных и непараметрических методов. В ходе было выявлено, априорные методы быстрее, однако ручной настройки при обучении, время как методы (классификатор не требуют настройки и показывают результаты для разброса данных при наличии выборке лиц светлым и темным кожи). В ходе выяснилось, что сегментация и последующее метода Виолы - дает лучший результат.

Ключевые цветовые модели, сегментация, алгоритм - Джонса, детектирование и рук.

Введение

Решение детектирования человека изображении, в реальном реализуемое зрительной человека, в автоматических сталкивается со сложностями: разнообразный вид лица людей; значительные вида изображения изменении ориентации и руки; присутствие особенностей (борода, и т.д.); перекрытие лица или посторонними предметами; различное освещение - это в значительной влияет на детектирования. Анализ трудностей приводит применения комбинированного включающего как цветовой информации, и структуры детектируемых объектов. Для цвета было применить алгоритм сегментации. В качестве реализующего структурный авторами статьи взят метод Джонса.

Целью работы является применение алгоритма сегментации и метода Джонса для лиц и рук изображениях.

Исследование алгоритмов сегментации

Существующие обнаружения объектов изображении условно разделить на категории: методы детектирования и методы изображения [5, 6]. Среди эмпирического обнаружения и рук выделяется методов, использующих признака цвет кожи.

Вторая методов опирается инструментарий распознавания в них задача объектов рассматривается частный случай задачи распознавания. На обучающей выборки строится модель изображения лица, и задача обнаружения сводится к проверке входного изображения на удовлетворение полученной модели. Метод главных компонент (PCA) применяется для снижения размерности пространства признаков, не приводя к существенной потере информативности тренировочного набора объектов. Факторный анализ (FA) опирается на гипотезу о том, что наблюдаемые переменные являются косвенными проявлениями относительно небольшого числа неких скрытых факторов, таким образом, это моделей и методов, на выявление скрытых зависимостей наблюдаемыми переменными. Линейный анализ (LDA), задачей которого нахождение пространства, разница между классами объектов [2]. В настоящее метод Виолы - является одним самых эффективных для поиска лица на в силу своей скорости и точности. В основе идеи: интегрального представления извлечение признаков Хаара, каскадного классификатора основе алгоритма бустинга. Данный позволяет осуществлять поиск в режиме реального [1]. В данной будет исследована алгоритма цветовой и метода Виолы - Джонса.

Среди методов обнаружения и рук широкое получили методы, цветовую сегментацию кожи. Причина состоит в том, использование цвета как признака обнаружения лица в себе несколько преимуществ:

1) вычислительная сложность как следствие, скорость обработки;

2) к изменению ориентации лица;

3) к изменению освещения исключением цветного);

4) к изменению выражения и частичного перекрытия другим объектом сцены.

К этого метода отнести:

1) возможность ложного предметов с цветом, к цвету кожи;

2) от цветового камеры и цвета [2].

Вышеперечисленные обнаружения лиц цвету делают характерного цвета как признака распознавания весьма даже несмотря имеющиеся недостатки. Результатом сегментации кожи быть набор изображения, близких цвету к человеческой коже. Обнаружение областей дает признак для лица на изображении.

Существует методов цветовой кожи на априорные, параметрические и непараметрические.

К группе относятся методы, в качестве модели кожи используют заданный многогранник цветовом пространстве, т.е. заранее некоторый жесткий правил. К преимуществам методов можно простоту реализации обучения. Основным априорных методов необходимость подбирать цветовое пространство набор правил эмпирически.

Непараметрические методы. Основная таких методов в конструировании вероятностной кожи, т.е. каждому цвета в дискретизированном пространстве ставится вероятность принадлежности цвета коже. К этому методов относится Байеса. К преимуществам методов можно простоту реализации, знаний о форме распределения; высокий точности распознавания. Недостатки в необходимости создания обучающих наборов.

Параметрические методы. Параметрические используют явное распределения цвета кожи в выбранном цветовом пространстве. Параметры модели вычисляются на основании тренировочных данных - изображениях с выделенными областями кожи. Преимущества параметрических методов: компактная модель; способность обобщать и интерполировать недостающие данные. Недостатки: высокая зависимость от выбранного заранее распределения, от выбора цветового пространства, т.к. в модели заложено предположение о форме распределения цвета кожи; высокий уровень ложного обнаружения. В данной работе исследуются априорные и непараметрические методы. На сравнения существующих цветовой сегментации был выбран моделирования распределения Байесовской карты вероятностей. Вероятность цвета «с» определяется по

P(c| skin), напрямую вычисляются набора тренировочных с областями кожи, вручную (отношение пикселей цвета кожи и не-кожи обучающих изображениях количеству пикселей). Априорные P(skin), P(¬skin) вычисляются исходя тренировочного набора [2]. Вероятность как отношение данных пикселей всей выборки общее число попавших в нее. В предлагается проводить соседних пикселей, свойство пространственной когерентности. Для чтобы пиксель «с» считался его соседние также должны «коже» (принадлежать должны хотя 3 соседних пикселя), разница в их компонентах Cb не должна двойки. Подобный позволяет устранить шумовые всплески «коже» цветовом а также разграничить кожи и цвет волос.

Настройка для априорного

В работе рассматривались пространства RGB HSV [9], [4]. Пространство было выбрано сравнения, а пространства и YCbCr - из-за в них яркостной компоненты. Избавление яркостной компоненты анализе цвета дает возможность инвариантности к изменению на изображении.

Граничные для каждого пространства подбирались экспериментально. Тестовая состоит из изображений различной освещенности. Начальные выбирались на данных, полученных этой области 4, 9]. Для RGB было следующее ограничение R > 95 и G > и B > 20 > 15 и |R?G| > и R > G и R > B.

Для HSV были следующие значения: H О 50] или H О 100); S О [0,23; 0,68]. Они скорректированы относительно указанных в статье 0,12 ? S ? 0,6, ? H ? 100 or 0 ? H ? 50.

Для YCbCr были следующие значения: О [90, 115]; О [135, 170]. Они скорректированы относительно указанных в статье 95 < Cb < 135 < Cr < 170.

Теоретически пикселя не зависеть от составляющей в пространствах и YCbCr. Поэтому поиске пикселей учитывались только компоненты: H и S, Cb и Cr. При анализе пикселей на принадлежность их коже авторами данной работы была предложена проверка дополнительного условия на когерентность соседних пикселей. Пиксель считается принадлежащим коже в случае, если выполняется условие принадлежности его цвета цвету кожи, и если хотя бы половина его соседей также принадлежит коже (второе условие проверяется на втором проходе алгоритма).

Результаты экспериментов.

При сравнении результатов сегментации различных цветовых было установлено, наилучшие результаты достигаются на цветового пространства что согласуется статьи [3]. Данное решено было в дальнейших исследованиях.

Для распределения с помощью карты вероятностей обучающая выборка. Для требуются изображения людей, на присутствуют пиксели цвета кожи. В обучающей содержится 280 [10].

Тестирование на 100 содержащих 161 и 75 рук. Так при тестировании Виолы - Джонса незначительное количество срабатываний по с числом недетектированных было решено применять алгоритм сегментации, а затем Виолы - Джонса.

Анализ детектирования.

При лиц исходный Виолы - Джонса достаточно хорошо. Из лиц с помощью метода правильно обнаружено 121 лицо. Этот удалось улучшить дополнительном применении сегментации. При сегментации изображений было обнаружено областей, содержащих лица. Нераспознанными 26 лиц. В основном лица располагались наклоном или в профиль. Неправильно областей с помощью метода оказалось с помощью классификатора 5 (табл. 1). Классификатор оказался точнее, скорость его оказалась в 4 ниже, чем априорной сегментации.

Таблица 1

Результат лиц на

Среди изображений были с очками, с бородой, ртом, с закрытыми глазами. Эти никак не на процесс детектирования. В некоторых корректно детектировались размытые лица.

Анализ рук

При рук метод Джонса без сегментации работает плохо. Это с тем, что Виолы - Джонса, и любой другой подход, не эффективным при рук, так руки, в отличие лица, визуально значительно отличаться от друга. Из рук с помощью метода было всего 4. При сегментации априорным было обнаружено областей, содержащих руки. Нераспознанными 27 рук. При сегментации классификатором число правильно рук стало 56 (табл. 2).

Таблица 2

Результат рук на изображениях

После предварительной сегментации вероятность положительного распознавания увеличивается, так как бинарные изображения, полученные на выходе после сегментации, лучше структурной сегментации.

З

В качестве основы работы были и выбраны методы лица и рук. Среди методов обнаружения и рук были методы, использующие сегментацию областей а именно априорные методы.

Для априорных методов сегментации были три цветовых RGB, HSV, YCbCr. Экспериментально границы компонент пространств, пиксели относятся к коже человека. Каждое пространство при пикселей кожи свои плюсы и минусы. Наиболее является про YCbCr.

В качестве метода был классификатор Байеса. Было обучение классификатора 280 изображениях, собой «маски» людей на фоне. Классификатор работает в 4 медленнее, чем методы, однако лучше справляется значительных вариациях кожи (например, изображений светлокожих людей). Для работы алгоритмов предложен анализ цвета «кожи» наличие пространственной когерентности.

Для наилучших результатов была предложена алгоритма цветовой с методом Виолы - Джонса. При как лиц, и рук целесообразнее сегментировать изображение, применять метод Джонса.

Список

1. Березовская Некрасова В., К. Введе в естественно-интуитивное с компьютером. Основы лица. [Электронныйресурс]. 23.10.2013. URL: ://www.intuit.ru//courses/10619/1103//18229.

2. Вежневец В.П. Алг анализа изображе лица человека построения интерфейса век - компьютер: канд. физ.-мат. наук - М. 2004. - с.

3. Хомяков М.Ю. Классификация кожи человека цветных изображениях Компьютерная оптика. - 2011. - Т. 35, № 3. - С. 373-379.

4. Dawod Abdul ah, and Alam M.J. Adaptive color model hand segmentation Int. Conf. on Applications and Electronics. - 2010. - Р. 486-489,

5. Hsu Abdel-Mottaleb M., A. Face in Color // IEEE Trans. Pattern and Machine Intelligence. - 2002. - Vol. 29(5). - P. 696-706.

6. Steinberg London T.M., Castro D. Hand Recognition in and Video CCIT Report. - 2010. - № March.

7. Kakumanu, Makrogiannis S., Bourbakis N. A survey of skin-color modeling and detection methods // Pattern Recognition. - 2007. - Vol. 40(3). - P. 1106-1122.

8. Martinkauppi B., Soriano M., Pietikainen M. Detection of Skin Color under Changing Illumination: A Comparative Study // Proc. of the 12th International Conference on Image Analysis and Processing (ICIAP'03), September 17-19. - Mantova, IEEE Computer 2003. - P. 652-657.

9. Rafael Miguel S.D., Miguel S., color profi capture for and rotation hand gesture Lectures Notes Computer Science. 5085. - 2009. - Р. 81-92.

Размещено на Allbest.ru