Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы–Джонса
Акимов А.В., Сирота А.А.

Воронежский государственный университет, Воронеж, Россия

Аннотация:
Описаны математические модели и алгоритмы внесения деформирующих искажений в решетчатые функции дискретных аргументов. Для изображений рассматриваются три модели внесения деформирующих искажений при размножении обучающей выборки в интересах построения алгоритмов распознавания лиц: на основе применения при деформации гармонических функций, на основе смещения контрольных точек и на основе поиска оптического потока при наложении фильтра энтропии. Для исходных и искусственно размноженных в соответствии с описанными моделями обучающих выборок проведены эксперименты по обучению алгоритмов распознавания изображений лиц методом Виолы–Джонса и сравнение точности работы полученных детекторов. Показана применимость данного подхода для размножения данных при обучении алгоритмов распознавания изображений объектов, характеризующихся определенной структурой.

Ключевые слова :
распознавание изображений, деформирующие искажения, интерполяция, оптический поток, энтропия, метод Виолы–Джонса.

Цитирование:
Акимов, А.В. Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы–Джонса / А.В. Акимов, А.А. Си­рота // Компьютерная оптика. – 2016. – Т. 40, № 6. – С. 899-906. – DOI: 10.18287/2412-6179-2016-40-6-899-906.

Литература:

  1. Guo, H. Learning from Imbalanced data sets with boosting and data generation: the DataBoost IM approach / H. Guo, H.L. Viktor // ACM SIGKDD Explorations Newsletter. – 2004. – Vol. 6(1). – P. 30-39. – DOI: 10.1145/1007730.1007736.
  2. Chawla, N. SMOTE: synthetic minority over-sampling technique / N. Chawla, K. Bowyer, L. Hall, W. Kegelmeyer // Journal of Artificial Intelligence Research. – 2002. – Vol. 16(1). – P. 321-357. – DOI: 10.1613/jair.953.
  3. Жуковский, А.Е. Синтез обучающей выборки на основе реальных данных в задачах распознавания изображений / А.Е. Жуковский, С.А. Усилин, Н.А. Тарасова, Д.П. Николаев // Информационные технологии и системы (ИТиС'12): сборник трудов конференции. – М., 2012. – C. 377-382.
  4. Viola, P. Rapid object detection using a boosted cascade of simple features / P. Viola, M. Jones // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2001. – 2001. – Vol. 1. – P. 511-518. – DOI: 10.1109/CVPR.2001.990517.
  5. Viola, P. Robust real-time face detection / P. Viola, M. Jones // International Journal of Computer Vision. – 2004. – Vol. 57(2). – P. 137-154. – DOI: 10.1023/B:VI­SI.0000013087.49260.fb.
  6. Калиновский, И.А. Обзор и тестирование детекторов фронтальных лиц / И.А. Калиновский, В.Г. Спицын // Компьютерная оптика. – 2016. – Т. 40, № 1. – С. 99-111. – DOI: 10.18287/2412-6179-2016-40-1-99-111.
  7. Freund, Y. A short introduction to boosting / Y. Freund, R. Schapire // Journal of Japanese Society for Artificial Intelligence. – 1999. – Vol. 14(5). – P. 771-780.
  8. Акимов, А.В. Разработка и исследование алгоритмов распознавания изображений на основе метода Виолы-Джонса с использованием технологии вычислений на графических процессорах CUDA / А.В. Акимов, А.А. Сирота // Вестник ВГУ, Серия: Системный анализ и информационные технологии. – 2014. – № 3. – С. 100-108.
  9. Акимов, А.В. Модели и алгоритмы внесения деформирующих искажений на изображениях с использованием радиально-базисных функций / А.В. Акимов, М.А. Дрюченко, А.А. Сирота // Вестник ВГУ, Серия: Cистемный анализ и информационные технологии. – 2014. – № 1. – С. 130-137.
  10. Wolberg, G. Image morphing: a survey / G. Wolberg // The Visual Computer. – 1998. – Vol. 14(8). – P. 360-372. – DOI: 10.1007/s003710050148.
  11. Steyvers, M. Morphing techniques for manipulating face images / M. Steyvers // Behavior Research Methods, Instruments, & Computers. – 1999. – Vol. 31(2). – P. 359-369. – DOI: 10.3758/BF03207733.
  12. Arad, N. Image warping by radial basis functions: applications to facial expressions / N. Arad, N. Dyn, D. Reisfeld, Y. Yeshurun // CVGIP: Graph Models Image Processing. – 1994. – Vol. 56, Issue 2. – P. 161-172. – DOI: 10.1006/cgip.1994.1015.
  13. Сизиков, В.С. Устойчивые методы обработки результатов измерений: Учебное пособие / В.С. Сизиков. – СПб.: СпецЛит, 1999. – 240 с.
  14. Brown, L.G. A survey of image registration techniques / L.G. Brown // ACM Computing Surveys. – 1992. – Vol. 24(4). – P. 325-376. – DOI: 10.1145/146370.146374.
  15. Barron, J. Performance of optical flow techniques / J. Barron, D. Fleet, S. Beauchemin // International Journal of Computer Vision. – 1994. – Vol. 12(1). – P. 43-77. – DOI: 10.1007/BF01420984.
  16. Horn, B. Determining optical flow / B. Horn, B. Schunk // Artificial Intelligence. – 1981. – Vol. 17(1-3). – P. 185-203. – DOI: 10.1016/0004-3702(81)90024-2.
  17. Farneback, G. Two-frame motion estimation based on polynomial expansion / G. Farneback // Proceedings of the 13th Scandinavian Conference on Image Analysis, Halmstad, Sweden, June 29 – July 02, 2003. – 2003. – P. 363-370. – DOI: 10.1007/3-540-45103-X_50.
  18. Gonzalez, R.C. Digital image processing using MATLAB / R.C. Gonzalez, R.E. Woods, S.L. Eddins. – 2nd ed. – New Jersey: Prentice Hall. – 2009. – 826 p. – ISBN: 978-0982085400.
  19. CMU/VASC image database: Frontal face images [Electronical Resource]. – URL: http://vasc.ri.cmu.edu/idb/html/fa­ce/frontal_images/index.html (дата обращения 30.10.2016).

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20