sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical Universitysapi-128Research ArticleСистемный анализSystem analysisАЛГОРИТМ ПОДГОТОВКИ ОБУЧАЮЩЕЙ ВЫБОРКИ С ИСПОЛЬЗОВАНИЕМ 3D-МОДЕЛИРОВАНИЯ ЛИЦALGORITHM OF PREPARATION OF THE TRAINING SAMPLE USING 3D-FACE MODELINGСамальД. И.SamalD. I.

Associate Professor, PhD in Engineering, Head of Department

ФроловИ. И.FrolovI. I.

Associate Professor, PhD in Engineering

frolov@bsuir.byБелорусский государственный университет информатики и радиоэлектроникиБеларусьBelarusian State University of Informatics and RadioelectronicsBelarus201612012017041723Copyright © Самаль Д.И., Фролов И.И., 20172017Самаль Д.И., Фролов И.И.Samal D.I., Frolov I.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/128

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.

The algorithm of preparation and sampling for training of the multiclass qualifier of support vector machines (SVM) is provided. The described approach based on the modeling of possible changes of the face features of recognized person. Additional features like perspectives of shooting, conditions of lighting, tilt angles were introduced to get improved identification results. These synthetic generated changes have some impact on the classifier learning expanding the range of possible variations of the initial image. The classifier learned with such extended example is ready to recognize unknown objects better. The age, emotional looks, turns of the head, various conditions of lighting, noise, and also some combinations of the listed parameters are chosen as the key considered parameters for modeling. The third-party software ‘FaceGen’ allowing to model up to 150 parameters and available in a demoversion for free downloading is used for 3D-modeling.

The SVM classifier was chosen to test the impact of the introduced modifications of training sample. The preparation and preliminary processing of images contains the following constituents like detection and localization of area of the person on the image, assessment of an angle of rotation and an inclination, extension of the range of brightness of pixels and an equalization of the histogram to smooth the brightness and contrast characteristics of the processed images, scaling of the localized and processed area of the person, creation of a vector of features of the scaled and processed image of the person by a Principal component analysis (algorithm NIPALS), training of the multiclass SVM-classifier.

The provided algorithm of expansion of the training selection is oriented to be used in practice and allows to expand using 3D-models the processed range of 2D – photographs of persons that positively affects results of identification in system of face recognition. This approach allows to compensate in a certain measure a lack of initial images for identification improvement of quality.

3D-моделировниепредобработкаподготовка обучающей выборки3D-modelingpretreatmenttraining sample preparationReferencesСтаровойтов В. В. Расширение обучающего множества для настройки биометрических систем распознавания /B. B. Старовойтов, Никодимов Д. Ю. // Обработка информации и управление в чрезвычайных и экстремальных ситуациях: материалы 4-й международной конференции. – Минск, 2004. – С. 204–209.Starovojtov V. V. Rasshirenie obuchajushhego mnozhestva dlja nastrojki biometricheskih sistem raspoznavanija / B. B. Starovojtov, Nikodimov D. Ju. // Obrabotka informacii i upravlenie v chrezvychajnyh i jekstremal’nyh situacijah: materialy 4-j mezhdunarodnoj konferencii. – Minsk, 2004. – S. 204–209.Yanushkevich S. N. Biometric-Based Decision Support Assistance in Physical Access Control Systems / S. Chague,B. Droit, O. Boulanov, S. N. Yanushkevich, V. P. Shmerko, A. Stoica // Bio-inspired Learning and Intelligent Systems for Security: Proceedings of ECSIS Symposium, Aug. 4–6, 2008, Edinburgh, UK. – Edinburg, 2008. – P. 11–16.Yanushkevich S. N. Biometric-Based Decision Support Assistance in Physical Access Control Systems / S. Chague, B. Droit, O. Boulanov, S. N. Yanushkevich, V. P. Shmerko, A. Stoica // Bio-inspired Learning and Intelligent Systems for Security: Proceedings of ECSIS Symposium, Aug. 4–6, 2008, Edinburgh, UK. – Edinburg, 2008. – P. 11–16.Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – Москва: Техносфера. – 2005. – 1072 с.Gonsales R. Cifrovaja obrabotka izobrazhenij / R. Gonsales, R. Vuds. – Moskva: Tehnosfera. – 2005. – 1072 s.Хайкин С. Нейронные сети: полный курс / С. Хайкин. – Москва: Вильямс. – 2006. – 1104 с.Hajkin S. Nejronnye seti: polnyj kurs / S. Hajkin. – Moskva: Vil’jams. – 2006. – 1104 s.

The authors declare that there are no conflicts of interest present.