Аннотация.

Задача определения положения элементов лица на цифровом изображении актуальна во многих областях знаний. Одним из подходов к ее решению является метод построения каскада классификаторов. Эффективность этого подхода зависит от подбора параметров модели. В данной работе предложен метод, позволяющий получить оптимальные параметры обучения, при которых достигаются лучшие значения точности детектирования при сокращении ложноположительных откликов. В результате применения метода на примере обнаружения внешнего угла правого глаза были получены практические значения параметров обучения.

Ключевые слова:

каскад классификаторов, метод Виолы-Джонса, моделирование антропометрических точек лица, параметры обучения модели.

Стр. 78-85.

S.S. Volkova

"Analysis of the training parameters of cascade classifier to find elements of a face"

The task of deninition of the location of the elements of a face on the digital image is actual in many spheres of knowledge.One of the approaches to solve it is the method of building the cascade of classifiers. The efficiency of this approach depends on the choice of the parameters of the model. This research observes the method allowing to obtain the optimal parameters of training when the best indicators of exactness of detecting while reducing the falsepositive results are reached. As the result of application of the method, using as the example revealing of the exterior angle of the right eye, the practical indicators of the parameters of training were obtained.

Keywords: cascade classifier, Viola-Jones method, facial point detection, parameters of training.

 Полная версия статьи в формате pdf.

REFERENCES

1. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. December 2001, vol. 1, pp. 1063–6919.
2. Lienhart, R. An Extended Set of Haar-like Features for Rapid Object Detection / R. Lienhart, J. Maydt // IEEE ICIP. – 2002. – P. 900-903.
3. Kachurin A. Introduction to Boosting [Elektronnyy resurs] / A. Kachurin. – 2006. – Rezhim dostupa: http://www.cs.ucf.edu/courses/cap6411/cap6411/spri ng2006/Lecture10.pdf
4. Freund Y., Robert E. Schapire A Short Introduction to Boosting// Shannon Laboratory, USA, 1999., pp. 771-780
5. Liao S., Zhu X., Zhen Lei, Lun Zhang, Stan Z. Li. Learning Multi-scale Block Local Binary Patterns for Face Recognition // International Conference on Biometrics (ICB), 2007, pp. 828-837
6. Barsegyan, A.A. Analiz dannykh i protsessov: ucheb.posobie / A.A. Barsegyan, M.S. Kupriyanov, I.I. Kholod i dr. – SPb.: BKhV-Peterburg, 2009. – 512 s.
7. GOST R 50779.10-2000. «Statisticheskie metody. Veroyatnost i osnovy statistiki. Terminy i opredeleniya.» - C. 26
8. Malysheva S.S. Metod otsenki kachestva raboty algoritmov klassifikatsii v zadachakh modelirovaniya antropometricheskikh tochek litsa// Vestnik Saratovskogo gosudarstvennogo tekhnicheskogo universiteta.- 2014. №1 (74), tom 1.- S. 104-107.
9. Phillips P. J., Moon H., Rizvi S.A., Rauss P.J. The FERET evaluation methodology for face-recognition algorithms. // IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(10):1090-1104, 2000.