Abstract
The paper presents the improved human face detection method using the combined cascade of classifiers with the improved face candidates’ verification approach, as well as methods and algorithms for the verification level (convolutional neural network) structure generation and training. The combined cascade shows a high detection rate with a very small number of false positives and the proposed candidates’ verification approach is in almost 3 times faster in comparison with the classic verification scheme. The network’s structure generation method allows creating the sparse asymmetric structure of the convolutional neural network automatically. The improved training method uses the adaptive training examples ratio to obtain a trained network with a very low classification error for the positive examples.
Highlights
Human face detection (FD) is always the first step to any face processing, and it is a challenging issue because of the great facial variability [1]
The sparse asymmetric structure is generated according to the recommendations in [6] and in order to speed up the CNN simulation time
Taking into account that CNN is used in the frame of cascade of classifiers (CCC) it’s necessary to pay more attention to the classification error on the positive examples than on the negative ones
Summary
Каскадна структура класифікатора для ВО дозволяє досягти високої швидкості обробки вхідного зображення за рахунок швидкого відкидання більшості фону і зосередження уваги на областях, схожих на обличчя. Так як КПК використовується не самостійно, а в рамках ККК, то для збільшення потенційного рівня виявлення порогове значення мінімальної кількості багатократних виявлень, необхідних для прийняття області зображення як обличчя, зменшено до мінімуму (до 1). Проведені автором дослідження першого підходу до верифікації [7] показали, що він є швидким і простим у реалізації (кількість симуляцій ЗНМ рівна кількості кандидатів), але дозволяє отримати дещо гірші результати, ніж у відомих методів ВО: на тестовому наборі. Другий підхід дозволяє приймати обличчякандидати, навіть при неточному виявленні їхніх координат по масштабу чи розміщенню, але характеризується вищою обчислювальною складністю, так як збільшується кількість симуляцій ЗНМ для одного обличчя-кандидата. Для подальшого пришвидшення верифікації запропоновано використати механізм прийняття облич, який полягає у тому, що кандидат приймається як обличчя, при досягненні порогового значення кількості багатократних виявлень. При використанні параметрів по замовчуванню система обробляє вхідне зображення розміром 352x288 пікселів зі швидкістю 8-10 к./сек
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
