Исследование алгоритмов обнаружения лиц

Информация о материале
Опубликовано: 31.08.2018, 19:09

Специалистами ООО «КодЛикс» начато исследование алгоритмов обнаружения лиц на изображениях с обязательным функционированием на «Wild Faces» – снимках в «естественных» условиях:
– различные позы
– размеры лица на снимке
– повороты в пространстве и в плоскости кадра
– количество лиц в кадре
– снимки похожих на лица объектов (как визуально, так и специфичные для определенных методов обнаружения)
– расфокусировка, размытие при движении или низкое качество изображения.


Целью исследования является определение доступного state-of-the-art алгоритма обнаружения, который позволит находить более 95% лиц на тестовых изображениях, а также определение его недостатков и направлений дальнейшего совершенствования.

Для тестирования будут использованы следующие базы изображений (доступны на http://megaface.cs.washington.edu):
– Megaface (~1 млн. снимков, wild faces, снимки объектов, похожих на лица)
– MF2 (~4,7 млн. снимков 672 тыс. человек, wild faces)
– FGNet (2 979 снимков, 82 человека в разном возрасте)
– FaceScrub (100 тыс. снимков, 530 человек портретная съемка знаменитостей).


Первым объектом исследования является классический алгоритм обнаружения лиц на основе гистограмм направленных градиентов (Histograms of Oriented Gradients, HOG).
Алгоритм реализован в библиотеке dlib (Boost Software License) в виде класса frontal_face_detector (face_detection_ex.cpp).

Для оценки качества функционирования будут использованы следующие критерии точности:
– количество ошибок первого рода (ложных положительных срабатываний) для изображений, не содержащих лиц;
– количество ошибок второго рода (ложных отрицательных срабатываний).

 

В настоящее время ведется эксперимент на базе Megaface, результаты обнаружения представлены ниже. Красной рамкой показаны обнаруженные с помощью детектора лица, синей – эталонная разметка.

Успешное обнаружение

успешная идентификация лица 1успешная идентификация лица 2успешная идентификация лица 3успешная идентификация лица 4успешная идентификация лица 5успешная идентификация лица 6успешная идентификация лица 7успешная идентификация лица 8

Ошибки первого рода (ложные положительные срабатывания)

ложное положительное срабатывание определения лица 1ложное положительное срабатывание определения лица 2ложное положительное срабатывание определения лица 3

Ошибки второго рода (ложные отрицательные срабатывания)

ложные отрицательные срабатывания алгоритма определения лица 1ложные отрицательные срабатывания алгоритма определения лица 2ложные отрицательные срабатывания алгоритма определения лица 3ложные отрицательные срабатывания алгоритма определения лица 4ложные отрицательные срабатывания алгоритма определения лица 5ложные отрицательные срабатывания алгоритма определения лица 6ложные отрицательные срабатывания алгоритма определения лица 7ложные отрицательные срабатывания алгоритма определения лица 8

 

В настоящее время ведется расчет статистики на выборке в 10 тыс., подсчет количества ошибок второго рода (ложных отрицательных срабатываний) и определение причин их возникновения.

 

Ссылки


Детектор лиц на основе HOG:
Albiol, Alberto, et al. "Face recognition using HOG–EBGM" Pattern Recognition Letters 29.10 (2008): 1537-1543.

Тестовые базы снимков:
1. "The MegaFace Benchmark: 1 Million Faces for Recognition at Scale", Ira Kemelmacher-Shlizerman, Steve Seitz, Daniel Miller, Evan Brossard, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016
2. Aaron Nech and Ira Kemelmacher-Shlizerman,"Level Playing Field for Million Scale Face Recognition", IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2017

КодЛикс разрабатывает программное обеспечение обработки изображений, систем технического зрения, искусственный интеллект и нейросети. Мы создаём программное обеспечение любой сложности под ключ и с гарантией.