Содержание
- 2. Задача обнаружения (детектирования) лиц ставит перед собой цель локализации, определения и выделения лица на цифровом изображении
- 3. Таким образом, при распознавании лиц ставится самое меньшее две разные задачи: 1) Задача обнаружения (выделения, детектиро-вания)
- 4. Человеческий мозг справляется с обнаружением лиц быстро, затрачивая на задачу, как правило, не более одной секунды.
- 5. Задача выделения (детектирования) лица на цифровом изображении. Методы выделения и распознавания лиц всегда были интересны в
- 6. Метод Виолы-Джонса (2001г): Самый популярный метод для поиска области лица на изображении; Имеет высокую скорость и
- 7. Интегральное представление и признаки Хаара. В этом представлении вместо исходного RGB изображения I(i, j) размерности m
- 8. Признаки Хаара действуют на изображения как свертка, пробегая по нему. На каждом прямоугольнике Хаара вычис-ляет параметр,
- 9. То есть, если это была бы обычная свертка, светлая часть маски заполнена числами 1, а темная
- 10. 4) в каждом окне сканирования вычисляется сотни тысяч (напр 200 000) вариантов расположения масок (варьиру-ются масштабы
- 11. Примеры применения признаков (фильтров) Хаара. Реа-льно они применяются к интегрированному изображению (не к исходному. 3. Распознавание
- 12. Построение классификатора с использованием адаптив-ного бустинга. Частным случаем кластеризации является классифика-ция, когда заранее известно число классов,
- 13. Для обучающей выборки все объекты должны быть отнесены только к двум классам «Да» или «Нет». В
- 14. Один из первых алгоритмов Шапиро решал задачу машин-ного обучения. Он использовал 3 каскада, первый обучался на
- 15. В задачах кластеризации и классификации бустинг счита-ется одним из наиболее эффективных методов с точки зрения результата.
- 16. Алгоритмы классификации часто имеют такую структуру: сначала вычисляются оценки принадлежности объекта классам, затем решающее правило переводит
- 17. Бустинг алгоритма Виолы-Джонса. Основа классифика-тора – признаки Хаара. Цель – выделить на каждом элементе выборки лица
- 18. Далее к элементам применяются следующие каскады. 1. Для весов > 0.5 (?) применяется второй, более сложный
- 19. В задачах распознавания в зависимости от постановки задачи учитываются ошибки 1-го и 2-го родов. В реализациях
- 20. Детекция лиц на фотографии. Исходное фото 3. Распознавание лиц
- 21. Детекция лиц на фотографии. Есть ошибки. 3. Распознавание лиц
- 22. Детекция носа. Много ошибок 3. Распознавание лиц
- 23. Детекция рта. Только ошибки 3. Распознавание лиц
- 24. Детекция лиц. Ошибок нет. 3. Распознавание лиц
- 25. Детекция носа. Ошибок нет. 3. Распознавание лиц
- 26. Детекция глаз и рта. Ошибок нет. 3. Распознавание лиц
- 27. Проблемы распознавания. Это один и тот же человек? 3. Распознавание лиц
- 28. Задача распознавания личности, изображенной на фо-тографии по фотографиям из имеющейся базы данных – одна из возможных
- 29. Задача распознавания личности, изображенной на фо-тографии по фотографиям из имеющейся базы данных – одна из возможных
- 30. Существует много методов распознавания лиц. 1. Метод гибкого сравнения на графах. Метод эластично сопоставляет два графа,
- 31. Прямоугольная решетка 3. Распознавание лиц Антропометрические маркеры лица (3D).
- 32. В узлах графа вычисляются значения признаков, это могут быть фильтры Габора однократно примененные к некоторой локальной
- 33. Набор фильтров Габора (маски Габора) 3. Распознавание лиц
- 34. Пример применения двух фильтров Габора 3. Распознавание лиц
- 35. При сравнении с эталоном решетка графа накладывается на эталон. В графе изменяются положения вершин и длины
- 36. При сравнении с эталоном решетка графа накладывается на эталон. В графе изменяются положения вершин и длины
- 37. Деформация графа при сравнении лиц 3. Распознавание лиц Метод гибкого сравнения на графах требует значительных вычислительных
- 38. 2. Метод нейронных сетей в обработке изображений. При использовании нейронных сетей для машинного обучения первым шагом
- 39. На практике оказалось, что наилучшие результаты по распознаванию лиц дает сверточная нейронная сеть. Такой результат объясняется
- 40. На практике оказалось, что наилучшие результаты по распознаванию лиц дает сверточная нейронная сеть. Такой результат объясняется
- 41. Сверточная сеть операцией свертки (sampling - сэмплинг) уменьшает размер рисунка за счет граничных пикселей. Пиксели на
- 42. То есть, маска свертки проходит весь рисунок из верхнего левого угла в правый нижний угол с
- 43. При субдискретизации (пулинге) маска размерности 2х2 пробегает пиксели рисунка с шагом 2, создавая новый рисунок в
- 44. Для сохранения всей информации с преобразованием сэмплинга на выходе пришлось бы строить 4 матрицы: одну для
- 45. Ошибки в распознавании лиц по базе данных фотографий личностей. Компьютеры способны решать все более сложные задачи,
- 46. Нередко и человеку, и компьютеру бывает невозможно сопоставлять изображения при наличии разницы в освещении, угла обзора
- 47. К примеру, исследование установило, что уровень ложной идентификации или нераспознавания субъектов, чьи фото-графии были сделаны всего
- 49. Скачать презентацию