Научный журнал
Научное обозрение. Педагогические науки
ISSN 2500-3402
ПИ №ФС77-57475

ИССЛЕДОВАНИЕ СПОСОБОВ ПОВЫШЕНИЯ БЫСТРОДЕЙСТВИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ЛИЦ

Катин О.И. 1 Горянина К.И. 1 Донской Д.Ю. 1
1 Донской государственный технический университет
При разработке систем распознавания лиц с помощью компьютерного зрения ключевыми требованием являются быстродействие и точность. Однако увеличение точности влечет за собой снижение быстродействия. В данной работе описывается исследование способов повышения быстродействия автоматической системы распознавания лиц. Рассматриваются решения, предназначенные для встраиваемых систем контроля доступа. Описаны результаты тестирования автоматической системы с использованием библиотеки компьютерного зрения OpenCV и встроенного в нее распознавателя лиц LBPHFaceRecognizer, которые подтверждают недостаточную точность применительно для систем контроля доступа. Анализируются преимущества системы на основе нейронной сети. В частности, рассматриваются преимущества и недостатки алгоритма, предложенного разработчиками библиотеки dlib. Даны рекомендации по снижению затрат времени на выполнение контроля доступа в автоматической системе распознавания лиц на базе Raspberry Pi 2B. Повышение быстродействия обеспечивается за счет сочетания оптимальных функций и возможностей библиотек OpenCV и dlib. Применение алгоритма поиска лиц на изображении с использованием каскадов Хаара вместо алгоритма встроенного в библиотеку dlib обеспечивает ускорение процесса поиска лиц приблизительно в пятнадцать раз. Результатом проведения исследования является уменьшение времени обработки каждого кадра видео.
автоматизация
распознавание лиц
контроль доступа
нейронные сети
1. Клэр А., Брэдски Г. Изучаем OpenCV 3 / ДМК-Пресс. – М., 2017. – 826 с.
2. Солем Я. Программирование компьютерного зрения на языке Python. – М.: ДМК-Пресс, 2016. – 312 с.
3. Буэно Г., Суарес О., Эспиноса А. Обработка изображений с помощью OpenCV. – М.: ДМК-Пресс, 2016. – 210 с.
4. Katin O., Goryanina K., Vernezi M. Analysis and solution of problems in the development of automatic color sorting systems / XIV International Scientific-Technical Conference «Dynamic of Technical Systems» (DTS-2018). MATEC Web Conf., 2018. – 5 p. [Электронный ресурс]. URL: https://www.matec-conferences.org/articles/matecconf/pdf/2018/85/matecconf_dts2018_02016.pdf (дата обращения 14.02.2019).
5. Parkhi O.M., Vedaldi A., Zisserman A. Deep Face Recognition British Machine Vision Conference, 2015. – 6 p. [Электронный ресурс]. URL: http://cis.csuohio.edu /~sschung/CIS660/DeepFaceRecognition_parkhi15.pdf (дата обращения 15.02.2019).
6. Ng H.W., Winkler S. A data-driven approach to cleaning large face datasets. Proc. IEEE International Conference on Image Processing (ICIP), Paris, France, Oct. 27–30, 2014. – 5 p. [Электронный ресурс]. URL: http://vintage.winklerbros.net/ Publications/icip2014a.pdf (дата обращения 17.02.2019).
7. Katin O.I., Lukyanov A.D., Goryanina K.I. Optimization of the automated colorimetric measurement system for pH of liquid. XIII International Scientific-Technical Conference «Dynamic of Technical Systems» (DTS-2017). MATEC Web Conf. Volume 132, 2017. – 4 p. [Электронный ресурс]. URL: https://www.matec-conferences.org/articles/matecconf/pdf/2017/46/matecconf_dts2017_04010.pdf (дата обращения 18.02.2019).

При разработке систем распознавания лиц с помощью компьютерного зрения ключевыми требованием являются быстродействие и точность. Однако, увеличение точности влечет за собой снижение быстродействия. Как правило, задача распознавания лиц применяется в системах безопасности или наблюдения.

В настоящей статье будет рассмотрена система автоматического контроля индивидуального доступа. В данном случае предполагается, что требуется определить личность человека, находящегося непосредственно перед камерой. В таких условиях может быть обеспечено наилучшее качество съемки, так как существует возможность четко определить зону контроля для человека, создать в ней оптимальное освещение и минимизировать влияние посторонних факторов. Большая часть этих решений – аппаратная.

Основное внимание следует сосредоточить на программной части системы. Наиболее распространенным и точным решением является применение нейронной сети, которая имеет оптимальную структуру и обучена на большом наборе качественных данных. Иным способом является применение распознавателей, которые встроены в различные библиотеки компьютерного зрения. Например, библиотека OpenCV содержит 3 распознавателя [1]. Для их обучения также необходим набор данных. Такой подход значительно уступает в точности специально разработанным и обученным нейронным сетям [2].

Во время разработки системы контроля доступа были проведены тесты с использованием встроенного в OpenCV распознавателя LBPHFaceRecognizer.

Число фотографий, шт.

5

10

25

50

100

250

500

750

1000

Точность, %

43.2

46.5

50.3

54

63.7

68.1

72.6

75.2

78.6

Результаты показали, что для достижения высокой точности необходим значительный объем качественных и однородных данных для обучения. При использовании 1000 фотографий, максимальная точность составила 78.6%. Дальнейшее увеличение базы фотографий не привело к значительному повышению точности. Данную точность можно считать достаточной для тривиальных задач, но ее недостаточно для создания безопасной системы контроля доступа [3, 4].

Было принято решение использовать алгоритм распознавания на базе библиотеки dlib. В его основе лежит нейронная сеть, обученная на наборе из 3-х миллионов фотографий. Заявленная разработчиком точность составляет 99.38% [5, 6]. В рассматриваемом случае, к системе предъявляются следующие требования: высокая точность определения личности человека, проверка наличия доступа в соответствии с базой сотрудников, максимально быстрая реакция системы. Специфика данного решения заключается в работе со специфическим типом данных библиотеки dlib. Для распознавания лица необходимо провести два предварительных этапа.

Первый этап – определение региона интереса, области на кадре видео, в которой содержится лицо человека. В библиотеке dlib присутствует встроенный детектор лиц. При его использовании время обработки фотографии сильно увеличивается с увеличением разрешения кадра.

Второй этап – размещение меток на лице. Существуют решения различной вычислительной сложности: 5 меток для одного лица, 68 меток и т.д.

Представленный разработчиком библиотеки dlib алгоритм работает с использованием 5 лицевых меток [5, 6]. Такое решение обладает достаточным быстродействием и не нуждается в замене.

Для уменьшения времени выполнения первого этапа было принято решение использовать встроенный в библиотеку OpenCV детектор лиц на основе каскадов Хаара [3]. Сравнительные тесты показали значительное уменьшение времени на поиск лиц на кадре.

Сам же процесс распознавания заключается в построении 128-мерного вектора, соответствующего человеку на кадре.

ka1.wmf

где ka2.wmf.

При этом для разрешения доступа требуется, чтобы Евклидово расстояние dab между полученным вектором ka3.wmf и любым вектором ka4.wmf, содержащимся в базе сотрудников, было меньше 0,6 [5, 6].

ka5.wmf

где i – порядковый номер признака; n = 128; xai и xbi – координаты векторов a и b по признаку i.

Cравнение быстродействия детекторов лиц при использовании Raspberry Pi 2B и Pi Cam v2.1

Разрешение кадра

Детектор лиц dlib

Детектор лиц на основе каскадов Хаара

1920х1080

4.8 с

0.7 с

1280х1024

2.7 с

0.29

1024х768

1.8 с

0.12 с

800х600

0.9 с

0.08 с

640х480

0.6 с

0.05 с

То есть нейронная сеть построена по принципу соответствия каждому человеку уникального 128-мерного вектора. Условие, предъявляемое к Евклидовому расстоянию, позволяет учесть некоторые отклонения, вызванные разным освещением, качеством изображения и положением лица [7]. Время распознавания незначительно изменяется при изменении разрешения.

Там образом, оптимальный набор способов реализации этапов распознавания следующий: применение детектора лиц на основе каскадов Хаара, определение 5 лицевых меток, применение нейронной сети для построения 128-мерного вектора.

Для создания компактной системы с собственным вычислителем была использована Raspberry Pi 2B. Ведется обработка видео с разрешением 1024х768. При использовании встроенного в библиотеку OpenCV детектора лиц удалось снизить время выполнения первого этапа с 1.8 до 0.12 секунд. Второй этап выполняется за 0.04 секунды. Наиболее долгим этапом является построение 128–ми мерного вектора, его выполнение занимает 2.2 секунды.

Суммарное время обработки кадра и принятия решения о разрешении доступа не превышает 3 секунды. Очевидно, что вычислительные возможности Raspberry Pi 2B ограничены. В определенных условиях может потребоваться большее быстродействие. Тогда, уместным будет использование более производительной Raspberry Pi 3B+ или других интегрируемых решений. Наиболее быстрыми будут системы с производительными графическими процессорами или специализированными модулями для работы с нейронными сетями, например, Intel Movidius.


Библиографическая ссылка

Катин О.И., Горянина К.И., Донской Д.Ю. ИССЛЕДОВАНИЕ СПОСОБОВ ПОВЫШЕНИЯ БЫСТРОДЕЙСТВИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ЛИЦ // Научное обозрение. Педагогические науки. – 2019. – № 3-3. – С. 45-47;
URL: https://science-pedagogy.ru/ru/article/view?id=2006 (дата обращения: 28.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674