3.3.2. Моделирование изображения лица

Вторая категория методов направлена не на формализацию в явном виде процессов, происходящие в человеческом мозге, а на выявление закономерностей и свойства изображения лица, применяя методы математической статистики и машинного обучения. Опирается на инструментарий распознавания образов, рассматривая задачу обнаружения лица, как частный случай задачи распознавания.

Задача обнаружения лица обычно решается в два этапа:

• поиск фрагментов- претендентов для классификации;

• разделение найденных фрагментов на классы лиц и "не-лиц".

Изображению (или его фрагменту) ставится в соответствие некоторым образом вычисленный вектор признаков, который используется для классификации изображений на два класса - лицо/не лицо. Каждый пиксель изображения становится компонентом вектора признаков, превращая черно-белое изображение n×m в вектор пространства R^n×m.

Преимущества методов моделирования лиц

• Высокие показатели качества обнаружения и распознавания на больших коллекциях изображений.

• Возможность гибкого использования аппарата математических функций для выбора наиболее оптимального метода построения классификатора с учётом условий конкретной задачи.

• полностью исключается участие человека из всей процедуры построения классификатора (включая выделение устойчивых признаков для распознавания), что снижает вероятность ошибки при построении модели изображения лица.

Недостатки методов моделирования изображения лиц:

• Зависимость от ориентации и масштаба лица. Большинство классификаторов не являются инвариантными к повороту лица в плоскости изображения и изменению его размера - требуется дополнительная обработка входного изображения (масштабирование, поворот).

• Потенциальная зависимость от освещения, которое преобладало в тренировочном наборе - требуется дополнительная предобработка изображения для компенсации влияния освещения.

• Высокая вычислительная сложность. Это затрудняет использование некоторых методов в системах реального времени (например - отслеживании перемещения лица в видеопотоке).

• Усилия по формированию тренировочных наборов изображений и обучению классификатора.

• Обучение только на прямоугольных изображениях объектов

Для сокращения вычислительной сложности при построении математической модели изображения лица применяются различные методы сокращения количества рассматриваемых фрагментов:

• преобразование Карунена-Лева (Karhunen-Loeve transform – анализ основных компонентов);

• аппроксимация Ритца (Ritz approximation – представление на базе образцов);

• представление с редкой фильтрацией (sparse-filter representation - струйные и волновые преобразования Габора);

• гистограммы признаков (feature histogram);

• анализ независимых компонентов.

Неадаптивные методы

Методы требуют для тренировки классификатора только наборы положительных случаев распознавания (изображений лиц), им не требуются контрпримеры (изображения без лиц).

Моделирование класса изображений лиц с помощью метода главных компонент

Метод главных компонент (МГП) применяется для снижения размерности пространства признаков, не приводя к существенной потере информативности тренировочного набора объектов (в данном случае - изображений лиц).

В приложении к задаче обнаружения лиц, МГК применяется следующим образом. После вычисления главных осей тренировочного набора изображений лиц, вектор признаков тестового изображения проецируется на подпространство, образованное главными осями. Вычисляются две величины: расстояние от проекции тестового вектора до среднего вектора тренировочного набора - Distance in Feature Space (DIFS), и расстояние от тестового вектора до его проекции в подпространство главных компонент - Distance From Feature Space (DFFS). Исходя из этих расстояний выносится решение о принадлежности тестового изображения классу изображений лиц.