Тип работы:
Предмет:
Язык работы:


Обнаружение и подсчет лиц на изображении

Работа №129183

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы30
Год сдачи2020
Стоимость4395 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
16
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Описание использованных методов 9
1.1. Метод detectMultiScale библиотеки OpenCV 9
1.2. Метод библиотеки OpenCV, основанный на нейронных сетях 10
Глава 2. Исследование зависимости методов от входных параметров 12
2.1. Применение методов к примерам изображений 12
2.2. Подготовка базы изображений 14
2.3. Проведение исследования 14
2.4. Результаты исследования 15
Глава 3. Автоматизация подбора параметров 23
3.1. Применение автоматизации к трем группам изображений 23
3.2. Использование комбинации методов 24
3.3. WEB-приложение 26
Заключение 29
Список литературы 30

Методы обнаружения лиц на изображении имеют широкий спектр применения. Обнаружение лица является первым этапом при выделении признаков для дальнейшей идентификации, при определении пола человека, его этнической принадлежности, при распознавании эмоций. Методы обнаружения лиц применяются при подготовке баз изображений, когда необходимо оставить только те части изображений, на которых присутствуют лица. Кроме того, методы обнаружения лиц могут применяться в задаче подсчета количества людей на изображении. Это может быть необходимо для того, чтобы быстро оценить количество присутствующих людей на конференции, на лекции в университете, на музыкальном концерте, на митинге, в общественном транспорте и при других обстоятельствах, когда присутствует большое количество людей. Создание WEB-приложения, осуществляющего данные функции, позволило бы сделать обнаружение и подсчет лиц на изображении доступными для широкого круга людей.
Постановка задачи
В задаче подсчета лиц на изображении основным этапом является обнаружение лиц. Существует большое количество методов обнаружения лиц на изображении, и важно выбрать метод, подходящий для конкретной задачи. Для данных методов важным критерием качества является не только количество верно определенных лиц, которое необходимо максимизировать, но и количество неверно определенных лиц, которое нужно минимизировать. Добиться одновременной максимизации одного критерия и минимизации другого оказывается невозможным, и требуется найти наилучшее решение, которое было бы допустимым по обоим показателям. При этом для объектов разных размеров подходящее значение входных параметров методов может значительно отличаться. Поэтому следует использовать значения входных параметров методов, подходящие для обнаружения объектов на конкретном изображении.
Применение методов для обнаружения и подсчета лиц в реальных задачах требует написания программ. При этом использование данных методов может быть востребовано среди людей, которые никогда не использовали языки программирования. По этой причине необходимо дать возможность людям, которые не являются специалистами в данной области, использовать методы обнаружения и подсчета лиц на изображении через интерфейс WEB-приложения.
Поставленная задача может быть разделена на следующие этапы:
1) изучение существующих методов обнаружения лиц и их реализаций;
2) выбор методов и исследование зависимости качества обнаружения от входных параметров;
3) написание программы с применением выбранных методов;
4) создание WEB-приложения, осуществляющего обнаружение и подсчет лиц на изображении.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Методы обнаружения лиц на изображении применяются при решении многих задач. В данной работе представлено применение методов обнаружения лиц для подсчета количества людей на изображении. В результате работы были выполнены все этапы поставленной задачи. Были изучены методы обнаружения лиц на изображении и библиотеки, которые предоставляют их реализации. В качестве используемых методов были выбраны методы библиотеки OpenCV [20]: метод, основанный на алгоритме Viola - Jones [12] и метод, основанный на Single Shot Multibox Detector (SSD) [9]. Для увеличения количества верно найденных лиц первым методом использовалось два детектора: для обнаружения лиц в профиль и для обнаружения лиц анфас, результаты применения которых объединялись с использованием меры сходства Intersection over Union. Проведено исследование зависимости методов библиотеки OpenCV [20] от входных параметров для изображений с лицами разного размера и определены наилучшие значения параметров. Написана программа на языке программирования Python 3 для автоматизации подбора входных параметров и использования комбинации методов для обнаружения и подсчета лиц на изображении. Создано WEB-приложение, позволяющее осуществлять обнаружение и подсчет лиц через интерфейс пользователя.


1. Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation // 2014 IEEE Conference on Computer Vision and Pattern Recognition. 2014. P. 580-587.
2. Girshick R. Fast R-CNN // 2015 IEEE International Conference on Computer Vision (ICCV). 2015. P. 1440-1448.
3. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39. No. 6. P. 1137¬1149.
4. He K., Zhang X., Ren S., Sun J. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2015. Vol. 37. No. 9. P. 1904-1916.
5. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 779-788.
6. Sadeghi M. A., Forsyth D. 30Hz Object Detection with DPM V5 // Computer Vision-ECCV 2014. 2014. P. 65-79.
7. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 6517-6525.
8. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // ArXiv: 1804.0276. 2018. P. 1-6.
9. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.-Y. , Berg A. C. SSD: Single Shot Multibox Detector // European conference on computer vision. 2016. P. 21-37.
10. Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv: 1704.04861. 2017. P. 1¬9.
11. Zhu Q., Yeh M.-C., Cheng K.-T., Avidan S. Fast Human Detection Using a Cascade of Histograms of Oriented Gradients // 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06). 2006. P. 1491-1498.
12. Viola P., Jones M. J. Robust real-time face detection // International Journal of Computer Vision. 2004. Vol. 57. No 2. P. 137-154.
13. Wu B., Nevatia R. Detection of multiple, partially occluded humans in a single image by Bayesian combination of edgelet part detectors // Tenth IEEE International Conference on Computer Vision (ICCV'05). 2005. Vol. 1. P. 90-97.
14. Cho S.-Y., Chow T. W. S., Leung C.-T. A neural-based crowd estimation by hybrid global learning algorithm // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 1999. Vol. 29. No. 4. P. 535-541.
15. Idrees H., Saleemi I., Seibert C., Shah M. Multi-source Multi-scale Counting in Extremely Dense Crowd Images // 2013 IEEE Conference on Computer Vision and Pattern Recognition. 2013. P. 2547-2554.
16. Babu Sam D., Peri S. V., Narayanan Sundararaman M., Kamath A., Radhakrishnan V. B. Locate, Size and Count: Accurately Resolving People in Dense Crowds via Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020.
17. Liu Y., Shi M., Zhao Q., Wang X. Point in, Box Out: Beyond Counting Persons in Crowds // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 6462-6471.
18. Техническая документация библиотеки Amazon Rekognition [Электронный ресурс]: URL: https://docs.aws.amazon.com/rekognition/(дата обращения: 16.05.2020).
19. Техническая документация библиотеки Dlib [Электронный ресурс]: URL: http://dlib.net//(дата обращения: 16.05.2020).
20. Техническая документация библиотеки OpenCV [Электронный ресурс]: URL: https://opencv.org/(дата обращения: 16.05.2020).
21. Freund Y., Schapire R. E.. A decision-theoretic generalization of on-line learning and an application to boosting // Computational Learning Theory: Eurocolt ’95. 1995. P. 23-37.
22. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770-778.
23. Yang S., Luo P., Loy C. C., Tang X. WIDER FACE: A Face Detection Benchmark // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 5525-5533.
24. Gallagher A. C., Chen T. Understanding images of groups of people // 2009 IEEE Conference on Computer Vision and Pattern Recognition. 2009. P. 256-263.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ