Алгоритм подготовки обучающей выборки с использованием 3D-моделирования лиц

Abstract

В работе представлен алгоритм подготовки выборки для обучения многоклассового классификатора машин опорных векторов (SVM). Описанный подход основан на моделировании возможных изменений внешности распознаваемого человека, путем введения дополнительных ракурсов съемки, условий освещения, углов наклона изображаемого фотопортрета человека. Полученные изменения искусственным путем непосредственно оказывают влияние на обучение классификатора, расширяя диапазон возможных вариаций исходного изображения. Классификатор, обученный на расширенной выборке, соответственно, готов в большей степени распознавать новые объекты. Основными рассматриваемыми параметрами для моделирования выбраны возраст, эмоциональные выражения лица, повороты головы, различные условия освещения, шумы, а также некоторые комбинации перечисленных параметров. Для моделирования дополнительных признаков использовано стороннее программное обеспечение FaceGen, позволяющее моделировать до 150 параметров и доступное в демо-версии для свободного скачивания. В качестве классификатора для тестирования влияния вводимых модификаций обучающей выборки выбран SVM. Подготовка и предварительная обработка изображений выполнялась в несколько этапов: локализация области лица на изображении, оценка угла поворота и наклона, растяжение диапазона яркостей пикселей и эквализация гистограммы для выравнивания яркостно-контрастных характеристик обрабатываемых изображений, Масштабирование локализованной и обработанной области лица, Формирование вектора признаков отмасштабированного и обработанного изображения лица по методу главных компонент (алгоритм NIPALS), Обучение многоклассового SVM-классификатора. Представленная методика расширения обучающей выборки носит практически ориентированный характер и позволяет с использованием 3D-моделей расширить диапазон обрабатываемых 2D-фотопортретов лиц, что положительно сказывается на результатах идентификации в системе распознавания лиц. Данный подход позволяет в определенной мере компенсировать недостаток исходных изображений для повышения качества идентификации.