Obrazové deskriptory a jejich použití pro detekci objektů v obrazech

Abstract

Detekce obličeje v obrazech je široce prozkoumaným tématem v počítačovém vidění. Algoritmus která umožnila rozpoznání obličeje a stanovila nové standardy v této oblasti byla Viola-Jones algoritmus. Tato práce popisuje a vysvětluje vlastní implementaci obličeje detektor založený na algoritmu Viola Jones pomocí Matlab CascadeObjectDetector. Tato diplomová práce přispívá ke zkoumání technik, jako je hlavní součást analýza (PCA) pro rozměrovou redukci deskriptorů pro stanovení detekce objektu systém, který dosahuje nejlepšího kompromisu mezi výkonem a rychlostí. V našem přístupu, detekce obličeje se provádí analýzou hlavních součástí (PCA). Obraz obličeje je promítnutý do prostoru obličeje, který kóduje nejlepší variace známých obrazů obličeje. The prostor obličeje je definován vlastní tváří. Vlastní tvář je sada obličejových vlastních vektorů které nemusí odpovídat běžným rysům obličeje, jako jsou oči, nos a rty. Systém funguje tak, že promítá předem extrahované obličejové obrazy do řady obličejových prostorů které představují velké odchylky mezi známými obrazy obličeje. Obličeje jsou klasifikovány jako známé nebo neznámé tváře po porovnání s existujícím obrázkem tváře v databázi.Face detection in images is a widely explored topic in computer vision. The algorithm that enabled face recognition and set new standards in this area was the Viola-Jones algorithm. This thesis work describes and explain the actual implementation of a face detector based on the Viola Jones algorithm using the Matlab CascadeObjectDetector. This thesis contributes to the exploration of techniques such as principal component analysis (PCA) for dimensional reduction of descriptors to establish an object detection system that achieves the best trade-off between performance and speed. In our approach, face detection is performed by Principal Component Analysis (PCA). The facial image is projected into the facial space that encodes the best variation of known facial images. The space of the face is defined by the eigenface. An eigenface is a set of facial eigenvectors that may not correspond to common facial features such as eyes, nose, and lips. The system works by projecting pre-extracted facial images into a series of facial spaces that represent large deviations between known facial images. Faces are classified as known or unknown faces after matching with an existing face image on the database.