 |
Экспериментальные результаты
|
|
|
|
Для проведения тестирования алгоритма из нескольких существующих баз фотографий была составлена общая база. В нее вошли базы FERET [14], FG-NET [15], IMM [16], ORL [17] и AR [18]. Объем базы составил 5470 фотографий, среди них фотографии разного качества: как снятые в лабораторных условиях при хорошем освещении, так и обычные фотографии из личных архивов людей. Примеры фотографий из баз показаны на рисунке 4.
Рисунок 4. Примеры фотографий из базы для тестирования
В рамках тестирования проводилась классификация четырех атрибутов: пола, возрастной группы, наличия очков и наличия усов или бороды. По возрасту разделение проводилось на 3 возрастные группы: от 0 до 15 лет, от 16 до 40, от 40 и старше. Было выбрано небольшое количество возрастных групп, но оно является достаточным для большинства практических приложений.
Тестирование проводилось методом скользящего контроля. Вся база фотографий была разделена на 4 части примерно равного объема, и на каждом из 4 этапов тестирования 3 части составляли обучающую выборку, 1 часть – тестовую. Критерий оценки работы алгоритма – процент правильно классифицированных объектов для каждого атрибута и каждого класса. Было проведено 2 тестовых запуска алгоритма: первый – одновременная классификация всех атрибутов (предложенный метод), второй – классификация каждого атрибута по отдельности тем же методом. Результаты двух запусков представлены в таблице 1.
По таблице видно, что для всех атрибутов результаты одновременной классификации превосходят результаты отдельной классификации, что доказывает способность предложенного алгоритма учитывать взаимосвязи между атрибутами и за счет этого улучшать точность классификации.
|
|
|
Таблица 1. Результаты тестирования
| Название атрибута | Общая точность | Точность по отдельным классам | ||||
| Одновременная классификация | Возраст | 82,6% | 0-15 | 16-40 | >40 | |
| 46,2% | 98,9% | 36,2% | ||||
| Пол | 85,1% | Мужчины | Женщины | |||
| 94,8% | 69,7% | |||||
| Усы или борода | 91,4% | Без усов/бороды | С усами/бородой | |||
| 99,6% | 46,6% | |||||
| Очки | 98,4% | Без очков | В очках | |||
| 99,7% | 91,9% | |||||
| Отдельная классификация | Возраст | 80,7% | 0-15 | 16-40 | >40 | |
| 48,6% | 95,7% | 37,3% | ||||
| Пол | 81,3% | Мужчины | Женщины | |||
| 91,5% | 64,9% | |||||
| Усы или борода | 87,9% | Без усов/бороды | С усами/бородой | |||
| 98,5% | 30,3% | |||||
| Очки | 97,8% | Без очков | В очках | |||
| 99,4% | 89,4% | |||||
Описание практической части
Предложенный алгоритм был полностью реализован в виде набора функций для MATLAB. Выбор данного инструментального средства обусловлен наличием в нем большого количества высокоуровневых функций для обработки изображений, а также удобством работы с массивами данных.
Общая схема работы реализованного алгоритма представлена на рисунке 5.
Рисунок 5. Общая схема работы реализованного алгоритма
Дополнительно функционал этапа классификации был реализован в виде набора классов на языке С++, которые могут быть в дальнейшем встроены в систему, использующую классификацию людей по лицам.
Количественные характеристики реализации:
· Объём кода – около 1500 строк
· Время полной обработки одной фотографии на этапе классификации – около 1 секунды на компьютере Intel Core 2 Duo T5450, 1.66 ГГц, 2 Гб ОЗУ.
Заключение
В рамках дипломной работы были решены следующие задачи:
· Проведен обзор существующих алгоритмов классификации людей по фотографии лица, выявлены их основные недостатки
· Разработан собственный алгоритм, учитывающий влияние атрибутов друг на друга
· Алгоритм реализован в среде MATLAB, проведено тестирование и оценка результатов, показавшая улучшение результатов при использовании предложенного алгоритма
|
|
|
Литература
1. Kumar, N., Berg, A.C., Belhumeur, P.N., Nayar, S.K., Attribute and Simile Classifiers for Face Verification // International Conference on Computer Vision. 2009. P 365-372.
2. Kwon, Y., Lobo, N. Age Classification from Facial Images // Computer Vision and Image Understanding. 1999. 74. N 1. P 1-21.
3. Xu Z., Lu L., Shi P. A Hybrid Approach to Gender Classification from Face Images // International Conference on Pattern Recognition. 2008. P 1-4.
4. Lanitis, A., Draganova, C., Christodoulou C. Comparing Different Classifiers for Automatic Age Estimation // IEEE Transactions on Systems, Man, and Cybernetics. 2004. 34. N 1. P 621-628.
5. Cootes T.F., Edwards G.J., Taylor C.J. Active Appearance Models // European Conference on Computer Vision. 1998. 2. P 484-498.
6. Fu, Y., Xu, Y., Huang, T.S. Estimating Human Age by Manifold Analysis of Face Pictures and Regression on Aging Features // IEEE Conference on Multimedia and Expo. 2007. P 1383-1386.
7. Guo, G., Mu, G., Fu, Y., Dyer, C., Huang, T. A Study on Automatic Age Estimation Using a Large Database // International Conference on Computer Vision. 2009. P 1986-1991.
8. Baluja S., Rowley H.A. Boosting Sex Identification Performance // International Journal of Computer Vision. 2007. 71. N 1. P 111-119.
9. Lian, H.-C., Lu, B.-L. Multi-view Gender Classification Using Local Binary Patterns and Support Vector Machines // Advances in Neural Networks. 2006. 3972. P 202-209.
10. Guo, G., Mu, G., Fu, Y., Huang, T.S. Human Age Estimation Using Bio-inspired Features // Conference on Computer Vision and Pattern Recognition. 2009. P 112-119.
11. Verschae R., Ruiz-del-Solar J., Correa M. Gender Classification of Faces Using Adaboost // Progress in Pattern Recognition, Image Analysis and Applications. 2006. 4225. P 68-78.
12. Littlewort G., Bartlett M.S., Fasel I., Susskind J., Movellan J. Dynamics of Facial Expression Extracted Automatically from Video // Conference on Computer Vision and Pattern Recognition Workshop. 2004. 5. P 80-87.
13. Breiman, L. Random Forests // Machine Learning. 2001. 45. N 1. P 5-32.
14. Phillips P.J., Wechsler H., Huang J., Rauss P. The FERET Database and Evaluation Procedure for Face Recognition Algorithms // Image and Vision Computing. 1998. 16. N 5. P 295-306.
15. The FG-NET Aging Database [HTML] (http://www.fgnet.rsunit.com/).
16. The IMM Face Database [HTML] (http:// www2.imm.dtu.dk/~aam/datasets/datasets.html).
17. The ORL Database of Faces [HTML] (http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)
18. The AR Face Database [HTML] (http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html)
|
|
|
