ОБЗОР И СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ СЕГМЕНТАЦИИ ЛИЦА ЧЕЛОВЕКА ДЛЯ ЗАДАЧ РАСПОЗНАВАНИЯ ЛИЦ

Одной из важнейших задач для реализации систем распознавания лиц является задача сегментации кожи лица. Это важный этап в задачах распознавания лиц, поскольку позволяет сосредоточить внимание системы на релевантной информации. Сегментация кожи лица помогает устранить помехи и улучшить качество извлеченных признаков лица, что повышает точность и надежность системы распознавания. Кроме того, сегментация позволяет применить специфические алгоритмы обработки изображений к коже лица, что может улучшить результаты распознавания.

Подходы к сегментации кожи лица изменялись в зависимости от вычислительных возможностей машин:

• Первоначально, при низких возможностях ЭВМ, применялась ручная сегментация кожи лица - процесс выделения области кожи на изображении лица, выполняемый человеком с помощью специализированного программного обеспечения: пользователь расставляет набор точек вдоль границ области кожи, а алгоритм автоматически интерполирует их в контур – маску отделяющую область содержащую кожу от остальных элементов изображения. Более совершенные алгоритмы появились в конце 80-ых годов прошлого века, где пользователь системы сегментации может выбрать начальную точку, и алгоритм автоматически определит область кожи, выделяя её границы. При некоторых достоинствах подхода об применении данных алгоритмов в задачах распознавания лиц речи не идёт – они требуют человеческих усилий для выделения конкретных областей кожи лица, хоть и заложили основы для более совершенных алгоритмов сегментации кожи лица.
• После появления более мощных вычислительных машин стали внедряться пороговые методы сегментации кожи лица — первые полностью автоматизированные методы сегментации кожи: представляют из себя классификаторы пикселей изображения по их яркости. Они основаны на установлении порога, который разделяет пиксели на два класса: кожу и не-кожу. Методы могут быть глобальными (один порог для всего изображения) или локальными (разные пороги для разных областей). Преимуществом этих методов является их скорость и простота реализации. Недостатками таких методов является чувствительность к освещению и сложность с изображениями сложной текстуры.
• Методы на основе градиентов для сегментации кожи лица используют информацию о градиенте изображения, чтобы различать кожу от других объектов. Они работают, вычисляя градиенты интенсивности изображения, используя различные операторы. Затем градиенты используются для поиска краев и границ, которые часто соответствуют границам между кожей и другими областями. Методы на основе градиентов могут быть простыми в реализации и относительно быстрыми, но они могут быть чувствительными к шуму и не всегда точны в сложных изображениях. Эти методы часто используются в сочетании с другими методами сегментации для достижения лучшей точности. Некоторые популярные методы на основе градиентов для сегментации кожи лица включают алгоритмы Хаффа и алгоритмы активных контуров (змейки).
• Методы сегментации кожи лица на основе регионального роста - алгоритмы, которые выделяют определённые области на лице, основываясь на их близости к начальной точке. Алгоритм начинает с seed point (точки зарождения) в желаемой области, затем “растёт” в окружающие пиксели, которые соответствуют определённым критериям, например, цвету или текстуре. Методы регионального роста часто используют градиентные алгоритмы для определения границ между областями. Методы такого типа могут быть эффективными для выделения ключевых областей лица, таких как глаза, нос, губы, но могут быть подвержены ошибкам при обработке изображений с низким разрешением или с плохим контрастом.

Исходя из определённых достоинств и недостатков, был проведён сравнительный анализ методов сегментации лица. Такие методы, как GaussianBGR, Hsieh2002, Kovac2003, Chai1999 являются пороговыми методами, тогда как RegionGrowing – метод на основе регионального роста [2].

Для оценки качества алгоритма использовался набор данных Compaq dataset [3], содержащий 13640 пикселей, часть из которых является кожей. Это один из крупнейших наборов данных по сегментации кожи, широко используемый в литературе. Поскольку задача сегментации сводится к принадлежности определенного пикселя к коже или нет, допустимо использовать такие метрики как Accuracy и F-мера. В таблице 1 приведены результаты сравнительного анализа.

Таким образом, исходя из результатов, представленных в таблице 1, для сегментации выбран алгоритм RegionGrowing.