Обзор методов по устранению помех на изображениях. Виды алгоритмов по поиску человеческих лиц. Разработка модуля обработки изображения и поиску на нем лиц человека с последующим определением эмоции на них. Методика использования разработанной программы.
Аннотация к работе
Сейчас в интернете можно найти миллионы различных изображений, анимации, фотографий и компьютерной графики. С развитием технологий и методов обработки изображений появились потребности в поиске различных черт или объектов у изображений. Объектами являются - самолет, машина, лицо человека, животное, насекомое и так далее. Чем меньше критерий поиска, тем сложнее алгоритму найти подходящий фрагмент на изображении. Целью данного дипломного проекта является разработка модуля обработки изображения и поиску на нём лиц человека с последующим определением эмоции на них. Для достижения поставленной цели были определены следующие задачи: - сравнение и анализ работы алгоритмов обработки изображений по устранению помех, мешающих определять круглые и овальные объекты на изображении; - сравнение и анализ работы алгоритмов по поиску лиц человека; - сравнение и анализ работы алгоритмов поиска ключевых точек на лице; - сравнение и анализ работы алгоритмов по определению эмоций. Анализ прототипов и формирование требований к проектируемому программному средству 1.1 Обзор методов и алгоритмов по устранению помех на изображениях Далее будут рассмотрены различные методы позволяющие улучшить качество изображения. 1.1.1 Медианный фильтр Медианный фильтр - вид фильтра, широко использующийся в обработке изображений для уменьшения уровня шума. На рисунке 1.1 показан пример импульсного шума. Рисунок 1.1 - Изображение с импульсным шумом программа алгоритм изображение лицо Медианный фильтр представляет собой алгоритм замены всех пикселей изображения, на пиксели являющиеся медианами в скользящем окне, захватывающем несколько элементов изображения. Скользящее окно представлено в виде матрицы размера N на N где каждая ячейка матрицы представляет собой пиксель на изображении. Рисунок 1.2 - Результат работы медианного фильтра К достоинствам работы медианного фильтра можно отнести следующие пункты: - медианный фильтр не искажает линейные контуры объектов; - малые затраты времени на обработку изображения; - простая программная реализация алгоритма; - показывает хороший результат подавления одиночных импульсных помех. При свертке изображения с матрицей М значения пикселей имеющих высокую яркость станут выше, тем самым повысив их резкость. Все пиксели исходного изображения преобразуются в новые которые определяются по формуле (1.2) , (1.2) где I - яркость пикселя на экране дисплея; V - численное значение цвета; L - показатель гамма коррекции. Рисунок 1.4 - Гамма коррекция с коэффициентами от 2 до 0.33 Единственный недостаток у фильтра Гамма коррекции в том что высокие или низкие значения L приводят к потере качества изображения. 1.2 Обзор методов и алгоритмов по выделению границ у объектов Все последующие алгоритмы перед своей работой используют преобразование изображения в оттенки серого. 1.2.1 Фильтр Робертса Фильтр Робертса - алгоритм, применение которого позволяет выделить границы у всех объектов на изображении. Каждый пиксель итогового изображения после свертки с матрицей А будет представлен в виде пикселя S. К недостаткам фильтра Робертса можно отнести следующие пункты: - при наличии шума на изображении фильтр работает некорректно; - иногда линии границ получаются слишком тонкие. 1.2.2 Фильтр Превитта Фильтр Превитта - фильтр, используемый для выделения границ у объектов. К недостаткам фильтра Превитта можно отнести следующие пункты: - работает не для всех изображений; - высокая чувствительность по вертикали и горизонтали; - потеря данных. 1.3 Обзор методов и алгоритмов по поиску человеческих лиц. 1.3.1 Метод гибкого сравнения на графах Алгоритм метода сводится к эластичному сопоставлению графов, описывающих изображения лиц. Данная операция проделывается для всех вершин, пока не будет достигнуто наименьшее суммарное различие между признаками деформируемого и эталонного графов. К достоинствам метода сравнения на гибких графах можно отнести следующие пункты: - высокая эффективность распознавания; - распознает лица с наклоном до 15 градусов. К недостаткам можно перечислить следующие: - высокая вычислительная сложность; - низкая технологичность при запоминании новых эталонов; - линейная зависимость времени работы от размера базы данных лиц. 1.3.2 Нейронные сети В настоящее время существует около десятка разновидности нейронных сетей (НС). Наилучшие результаты в области распознавания лиц (по результатам анализа публикаций) показала Convolutional Neural Network или сверточная нейронная сеть [6-8] которая является логическим развитием идей таких архитектур НС как когнитрона и неокогнитрона. Рисунок 1.12 - Разметка изображения лица из 68 точек, образующих форму AAM Процедура обучения AAM начинается с нормализации форм на размеченных изображениях с целью компенсации различий в масштабе, наклоне и смещении (см. рисунки 1.13-14). Рисунок 1.16 - Подгонка модели на конкретное изображение 1.3.4 Алгоритм Виола-джонса Метод Виолы Джонса - алгоритм, позволяющий обнаруживать объекты на изображениях в реальном времени. используются признаки Хаара, с помощью к