Назад в библиотеку  

ИДЕНТИФИКАЦИЯ ЧЕЛОВЕКА В ВИДЕО-ПОТОКЕ НА ОСНОВЕ ЗАДАННЫХ ПАРАМЕТРОВ ОСОБЕННОСТИ ЧЕЛОВЕКА

Авторы: Ахметов Е.С.

Описание: Основное внимание было уделено разработке настольного приложения, с функцией поиска людей в видео-потоке, в соответствии с заданными параметрами поиска.

Источник: Молодежный научный форум: Технические и математические науки: электр. сб. ст. по мат. XII междунар. студ. науч.-практ. конф. № 5(12). https://nauchforum.ru/studconf/tech/xii/3554

Ахметов Ерлан Серикович
магистрант, кафедра ВТПОиТ Международный Университет Информационных Технологии, Республика Казахстан, г. Алмат

Сундетов Рустем Нурланович
научныи руководитель, старшии преподаватель, кафедра ВТПОиТ Международный Университет Информационных Техноло Республика Казахстан г. Алматы

С развитием информационных технологии, очень модным стало использование функции идентификации человека в программном обеспечении. Больш программного обеспечения разработана только для идентификации человека путем поиска в базе данных. Мы, в свою очередь, предлагаем программу идентиф в видео­потоке по определенным классификационным параметрам. В данной работе используются три классификационных параметра: пол, возрастная кат группа.

Введение.
Идентификация людеи – одна из главных целей компьютерного зрения. Человека можно идентифицировать с помощью таких параметров, как походк пальцев и радужная оболочка. В нашей работе мы использовали технологию распознавания лиц, так как цель проекта заключается в разработке систем человека по классификационным параметрам. Люди могут быть разделены на группы, по возрастной категории, полу и расе, лишь основываясь на черты примеры данной классификации приведены в табл. 1.

Сегодня в это современное время существует проблема с контролем наших детей. Нам нужно программное обеспечение, которое будет контролиров интернет­сайтам, предназначенных для лиц старше 18 лет. Нам нужно программное обеспечение в торговых автоматах, которые не будут продавать детя сигареты, алкоголь и т. п. Это социальная проблема людеи во всем мире и только программное обеспечение с оценкой возраста может решить ее.

Такого рода программное обеспечение может быть также использовано для получения статистических данных. Например, с помощью демографическ клиентах можно получить статистические данные для маркетинга, такие как, сколько клиентов посетило торговый центр; сколько мужчин и женщин; сколько взрослых и пожилых людеи; сколько азиатов, европеицев, и т. д.

В настоящее время большинство организаций нуждается в программном обеспечении с возможностью поиска человека в видео­потоке по заданным кл параметрам, ка возраст, пол и раса. Такое программное обеспечение может использоваться в контрольно­пропускных пунктах аэропортов и банков. Наприме использовано для проверки определенного человека в черном списке клиентов.

Связанные работы.
На сегодняшний день существует много алгоритмов распознавания лиц [12; 2]. Но все они чувствительны к большим изменениям в освещенност Принимая эти недостатки во внимание Бельхумеур П.Н., Хеспанна Д.П., и Крегман Д.Д. разработали алгоритм распознавания лиц, который нечувствителе вариации [3]. Данныи алгоритм основан на двух методах, Fisherfaces (лица Фишера) и Eigenfaces (собственные лица). Метод Fisherfaces является производ дискриминанта Фишера (Fisher’s Linear Discriminant) [13], минимизирует внутриклассовое и максимизирует межклассовое расстояние в пространстве Eigenfaces также основан на линеином проектировании пространства изображения в более низкое пространство признаков [9; 10; 11].

Классификация.
Первым этапом в работе была классификация человека в гендерной, расовой и возрастной группе, используя алгоритмы распознавания лиц, поэтому в Fisherfaces. Метод Eigenfaces основан на методе главных компонент (Principal Component Analysis, PCA), который является бесконтрольной статистической мо не совсем подходит для даннои задачи. В свою очередь метод Fisherfaces дает определенную классовую линейную проекцию, что говорит о том, что он горазд для возрастной, расовой и гендерной классификации [4]. По экспериментам Вагнера П. [7], мы можем видеть, что метод Fisherfaces достигает скорости расп предметно­независимой перекрестной проверке (subject independent cross­validation). Предметно­независимая перекрестная проверка это образы человека н при обучении модели распознавания.

Метод Fisherfaces уже реализован в OpenCV. OpenCV (Open Source Computer Vision Library) это библиотека алгоритмов компьютерного зрения, обработ машинного обучения с открытым исходным кодом. Для того чтобы система классифицировала людей по возрастной, расовой и гендерной группам, не классификаторы модели распознавания Fisherfaces в OpenCV. Для обучения данных классификаторов необходим набор изображений разных людей.

База данных изображений лица разных людей.
Перед тем как обучить классификатор был выбор, создать свой собственный набор данных изображений лиц или же использовать уже имеющи изображений лиц. Выбрал пал на уже имеющиеся базы данных, так как это существенно экономит время и как говорится, зачем изобретать велосипед. Сущ данных изображений лица разных людей, такие как AT&T Facedatabase [8] , Yale Facedatabase A [5], Extended Yale Facedatabase B [6] и т. д. Выбор пал на Images of Groups Dataset, созданную Галахер А. и Чэнь Т., так как данная база данных ориентирована под классификацию возрастной и гендерной групп [1]. коллекция изображений людей из интернет­сайта Flickr. Они разделили фотографии на 3 группы: семейные, групповые и свадебные. Лицо каждого человек было обозначено по полу и возрастной категории. Они использовали семь возрастных категорий: 0—2, 3—7, 8—12, 13—19, 20—36, 37—65, и 66+, примерно различным стадиям жизни. Для гендерной маркировки они использовали цифру 1 для женского и 2 для мужского пола. В общей сложности получилось 5 содержащих 28 231 человеческих лица, помеченных возрастной категорией и полом; это самая большая база данных изображений лиц в своем роде. Да содержит большое количество разнообразных изображений. На изображениях люди сидят, лежат или стоят на повышенных поверхностях. Также часто вс темных очках, с закрытыми лицами и с необычными выражениями лица. База данных распространяется в некоммерческих целях, только в рамках исследовате

С использованием данных изображений наши гендерные, расовые и возрастные классификаторы были обучены. Все изображения были собраны в одну только групповые фотографии, лицо каждого из людей было обрезано в отдельное изображение размером 70x70. Для маркировки было использовано категорий, как в оригинале, и цифра 0 для мужского и 1 для женского пола. Было разработано специальное приложение, с использованием Open классификаторов. Чтобы обучить один классификатор на пользовательском ПК, требуется уйма времени. Таким образом, в качестве эксперимента было взято лиц человека. Приложение для обучения классификаторов в результате создает XML­файл для каждого из классификаторов.

Обзор системы.
Программное обеспечение разработано с помощью OpenCV библиотек и QT инструментария. QT это кроссплатформенный инструментарий разраб программирования С++. OpenCV использовалось для построения логики, а QTдля создания пользовательского интерфейса. Программное обеспечение разра настольного приложения (Рис. 1).

Приложение имеет 5 основных последовательных операций (Рис. 2). На входе приложение получает видео­поток из файла или через локально соединен приложения весьма функционален, что позволяет искать людей на видео по трем параметрам: возрастная категория, пол и раса. В качестве выб предоставляется 7 возрастных категорий: 0—2, 3—7, 8—12, 13—19, 20—36, 37—65, and 66+; мужской и женский пол; и 3 основные расы: монголоидная негроидная. По умолчанию система ищет человека по первому совпадению, т.е. если в видео много людей, то система покажет лишь одного из них, нашедшегося. Но также имеется возможность настройки данной опции на поиск всех людей удовлетворяющих заданным параметрам поиска. Процесс поиска тех пор, пока не найдется требуемый человек. Также можно настроить на поиск человека только в данныи момент видео. Поиск осуществляется по комбинаци OR Race, т. е. процесс поиска завершается, если любой из заданных параметров соответствует. В приложении предоставляется возможность настройки комб пользователя. В качестве результата мы получаем окно приложения с изображением человека, помеченного прямоугольником вокруг лица (Рис. 3), в прот получим сообщение о неудаче.

Заключение.
Основное внимание было уделено разработке настольного приложения, с функцией поиска людей в видео­потоке, в соответствии с заданными пар Данное программное обеспечение является основой и началом одной большой системы безопасности. Проделанная работа выступает в качестве де возможностеи, которые можно использовать в программном обеспечении систем безопасности. В целом приложение работает хорошо, но имеет ни распознавания, так как в ходе обучения классификаторов было использовано всего лишь 1500 изображении лиц людеи. В будущем данная проблема буд предусматривается добавление новых функций.

Список литературы

1. A. Gallagher, T. Chen,Understanding Groups of Images of People, IEEE Conference on Computer Vision and Pattern Recognition, 2009.
2. A. Samal and P. Iyengar,Automatic Recognition and Analysis of Human Faces and Facial Expressions: A Survey, Pattern Recognition, vol. 25, Р. 65—77, 1992.
3. Belhumeur P.N., Hespanha J., and Kriegman D. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analy Intelligence 19, 7 (1997), 711—720.
4. http://docs.opencv.org/trunk/modules/contrib/doc/facerec/tutorial/facerec_gender_classification.html.
5. http://vision.ucsd.edu/content/yale­face­database.
6. http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html.
7. http://www.bytefish.de/blog/gender_classification.
8. http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html.
9. L. Sirovitch and M. Kirby,Low­Dimensional Procedure for the Characterization of Human Faces, J. Optical Soc. of Am. A, vol. 2, Р. 519—524, 1987.