Тема: Синтез изображений лиц с помощью глубоких нейронных сетей

Распознавание образов является одной из самых изученных задач в таких областях, как цифровая обработка изображений, компьютерное зрение, биометрия, создание интеллектуальных систем безопасности и контроля доступа и т. п. Тем не менее, в области распознавания образов продолжают представлять большой научный и практический интерес такие задачи как распознавание лиц, жестов, текстов, отпечатков пальцев, моделей помещений и другой графической информации. Широко исследуемой проблемой является распознавание образов (изображений).
Распознавание изображения - очень сложная задача с теоретической и практической точек зрения. Человек, например, задействует для этого весь комплекс знаний и опыта. Он определяет текст из совокупности сигналов органов чувств, выделяет каждый символ, выделяет характерные признаки символов и на основании своего опыта приходит к выводу о значении символа и всего текста в целом.
Распознавание изображений - это способность камеры распознавать и обнаруживать объекты или функции в цифровом изображении или видео. Это метод для захвата, обработки, изучения и обработки изображений. Для идентификации и обнаружения изображений компьютеры используют технологию машинного зрения, основанную на системе искусственного интеллекта. Типичный алгоритм распознавания изображений включает в себя следующее:
• оптическое распознавание символов;
• сопоставление с образцом и градиентное сопоставление;
• распознавание лица;
• соответствие знака;
• идентификация сцены.
Технология распознавания изображений работает путем обнаружения значимых областей, которые представляют собой большую часть информации об изображении или объекте. Это достигается путем выделения наиболее информативных частей или элементов в выбранном изображении и их локализации, игнорируя при этом остальные функции, которые могут не представлять особого интереса. Процесс использует алгоритм распознавания изображений, также известный как классификатор изображений, который принимает изображение в качестве входных данных и выводит то, что содержит изображение. Чтобы алгоритм знал, что содержит изображение, его необходимо обучить, чтобы узнать различия между классами. Например, если целью системы распознавания изображений является обнаружение и идентификация собак, алгоритм распознавания изображений должен быть обучен с тысячами изображений лиц и тысячами изображений фонов, которые не содержат лиц [15].
В коммерческом мире основными приложениями распознавания изображений являются распознавание лиц, безопасность и наблюдение, визуальная геолокация, распознавание объектов, распознавание жестов, распознавание кода, промышленная автоматизация, анализ изображений в медицинской помощи и помощь водителю. Эти приложения революционизируют мир бизнеса во многих отраслях.
Распознавание изображений широко применяется в электронной коммерции, включая поиск и рекламу. Сегодня мобильные приложения используют технологию для идентификации конкретных продуктов, предоставляя потенциальным клиентам более увлекательный опыт работы с окружающим миром. Он представляет более интерактивный взгляд на мир, делая все для поиска.
Технология распознавания изображений может помочь в процессе идентификации во время деловых операций. Примером этого может быть замена традиционных идентификационных карт на Face ID. На рабочем месте это может использоваться для определения, предоставляется ли человеку доступ к официальным рабочим документам или просто для регистрации. Другой пример, где распознавание изображений применимо для эффективных бизнес-операций, находится в производственном процессе. Машины с распознаванием изображений могут автоматически обнаруживать дефектные продукты в производственном конвейере.
Автомобили с самостоятельным вождением пользуются популярностью в автомобильной промышленности и уже проходят испытания в США и других частях мира. Эти достижения в автомобильном мире стали возможными благодаря технологии компьютерного зрения, которая использует распознавание изображений AI. Системы компьютерного зрения, основанные на глубоком обучении, обучаются с использованием тысяч изображений, таких как дорожные знаки, дорожки, движущиеся объекты, транспортные средства и люди, и передаются в нейронные сети системы. Системы становятся интеллектуальными, так как в систему поступает больше обучающих данных, и это обеспечивает автономное вождение.
Компьютер ошибается в процессе распознавания намного чаще человека. Сегодня не существует точного метода определения лица по их изображению. Многие разработанные коммерческие проекты используют свои запатентованные методы и не могут похвастаться идеальным решением задачи.
Тема работы: «Синтез изображений лиц с помощью глубоких нейронных сетей».
Актуальность темы исследования обусловлена тем, что существует большое количество практически важных задач, для решения которых необходимо распознавание лиц на фото- или видеоизображениях.
Объектом исследования является распознавание образов при помощи алгоритмов нейронных сетей.
Предмет исследования - разработка системы распознавания лиц на изображениях.
Исследование состоит в разработке аналога алгоритма распознавания изображения для слабовидящих людей. Алгоритм и созданное на его основе программное обеспечения используют технологию нейронной сети для поставленной задачи с применением нового метода обучения.
Целью данной работы является создание программного обеспечения для распознавания лиц с высокой скоростью на различных изображениях.
Поставлены следующие задачи:
• исследование и анализ существующих методов на предмет эффективного распознавания образов;
• разработка модели представления изображений;
• исследование применения нейронных сетей;
• разработка алгоритмов предварительной обработки и распознавания;
• выбор метода распознавания;
• создание и тестирование программного обеспечения.

Купить

Разработано программное обеспечение для носимых устройств, доступных слабовидящим людям (смартфоны и планшетные компьютеры), работающие на операционной системе Android. Разработка увеличивает качество снятого изображения с фото- и видеокамеры, что позволяет лучше разглядеть лицо человека людям, имеющим нарушение со зрением.
Проведен обзор существующих аналогичных решений для распознавания и повышение качества лиц, разработана функциональная модель приложения, осуществлено проектирование приложения и выбрана среда программирования, создан интерфейс, написан код программы и проведено тестирование программного обеспечения.
Обучение модели нейронной сети:
• 211 тысяч итераций (эпох);
• dataset (набор данных) из 10 тысяч лиц.
Результат тестирования программного обеспечения:
• время итерации в среднем составило 0.709 миллисекунд;
• ошибка генератора 0.0955;
• ошибка дискриминатора 0.1292;
• обучение по распознаванию лиц достигает 95% точности.
По проведенному анализу можно утверждать, что разработанная система распознавания изображений для слабовидящих людей работает корректно. Хорошее качество выходных данных и визуальное подтверждение повышении DPI на изображении при его 8-ми кратном увеличении. Разрешение изображения после обучения преобразовалось из 610 на 552 пикселя в 3660 на 3312 пикселя с повышенным визуальным качеством.

Купить