Первая страница
Наша команда
Контакты
О нас

    Головна сторінка



Пояснювальна записка до магістерської кваліфікаційної роботи магістра

Пояснювальна записка до магістерської кваліфікаційної роботи магістра




Сторінка4/9
Дата конвертації13.03.2017
Розмір1.59 Mb.
ТипПояснювальна записка
1   2   3   4   5   6   7   8   9

2.2 Розробка способу сегментації зображень для виділення обличчя
Сегментація зображення - це процес поділу зображення на множину непересічних областей, об'єднання яких дасть ціле зображення. До областей, одержаним внаслідок сегментації, висуваються такі вимоги [12]:

1. Області повинні бути однорідні щодо певних характеристик.

2. Внутрішні частини областей повинні бути простими без великої кількості маленьких отворів.

2. Суміжні області повинні істотно відрізнятися за значеннями вибраних характеристик, щодо яких вони вважаються однорідними.

4. Межі кожного сегмента повинні бути простими, просторово точними.

Сегментація є найбільш критичною процедурою процесу автоматизації аналізу зображень, оскільки її результати впливають надалі на всі подальші дії, пов'язані з аналізом зображення: подання виділених об'єктів та їх текстовий опис, вимірювання ознак, а також інші завдання більш високого рівня (класифікація об'єктів, інтерпретація сцен і т.д.).

Сегментація зображення забезпечує зниження обсягу оброблюваної інформації. У процесі розпізнавання образів сегментація займає одне з основоположних місць з причини залежності якості рішення, одержуваного в результаті роботи системи розпізнавання образів у цілому, від правильно виділених об'єктів. Помилкове визначення положення і розмірів об'єктів на зображенні, причиною якого може служити надмірна або недостатня сегментація, в значній мірі ускладнює отримання прийнятного рішення задачі і призводить до помилкових результатів.

У процесі сегментації проводиться розбиття зображення на області, однорідні по якійсь ознаці: інтенсивності, текстурі, кольору. Більшість існуючих методів сегментації, такі як методи прямої кластеризації в колірному просторі, методи, засновані на стохастичних моделях, методи нарощування областей, морфологічного вододілу, дифузії енергії, розрізання графів, добре працюють на однорідних кольорових областях. Але семантичні об'єкти зазвичай відповідають областям, однорідним не тільки за кольором, але і за текстурою. Однак багато методів текстурної сегментації вимагають оцінки параметрів текстурної моделі, що є складним завданням, що вирішується в чітко виділеної однорідної області для одержання стійкої оцінки.

Межі мають досить важливе значення в багатьох сферах застосування обробки зображень, особливо в системах машинного зору, які аналізують сцени штучних об'єктів при фіксованому освітленні. Хоча деяка література розглядає виділення ідеальних східчастих меж, кордони на натуральному зображенні зазвичай не такі. На них зазвичай впливає один або кілька таких ефектів: фокусне розмиття через кінцеву глибини різкості зйомки, розмита півтінь від неточкових джерел світла, затінення гладких об'єктів, і тому багато дослідників використовують ступінчастий край, згладжений функцією Гауса (функція помилки), як найпростіше наближення моделі ідеального краю для моделювання розмитих меж у прикладних задачах [12].

Сегментація зображень шляхом виділення контурів (меж) має значну кількість підходів, але практично всі можна розділити на дві категорії: методи, засновані на пошуку максимумів, і методи, засновані на пошуку нулів [12]. Методи, засновані на пошуку максимумів, виділяють межі за допомогою обчислення «сили краю», зазвичай вирази першої похідної, такого як величина градієнта, і потім пошуку локальних максимумів сили краю, використовуючи передбачуваний напрям межі, зазвичай перпендикуляр до вектора градієнта. Методи, засновані на пошуку нулів, шукають перетин осі абсцис шляхом обчислення другої похідної, зазвичай нулі лапсасіана або нулі нелінійного диференціального виразу. В якості кроку передобробки до виділення меж практично завжди застосовується згладжування зображення, зазвичай фільтром Гауса.

Вказані підходи використаємо для реалізації завдання по сегментації об’єктів комп’ютерних зображень. Пропонується такий загальний підхід до сегментації зображення:


  1. Переведення зображення із моделі кольорів RGB в LUV.

  2. Видалення можливих завад зображення шляхом фільтрації.

  3. Згладження зображення з використанням фільтрів Гауса.

  4. Кластеризація зображення по просторовому та колірному компоненту.

  5. Накладання отриманих границь об’єктів на початкове зображення.

  6. Виведення сегментованого зображення.

Колірна модель описує кольори зображення стандартним чином, визначаючи деяку систему координат і підпростір всередині цієї системи, в якій кожен колір представляється єдиною точкою [12, 17]. Існуючі колірні моделі орієнтовані на пристрої відтворення (кольорові принтери, монітори) або на прикладні завдання, що виникають при роботі з графікою (створення кольорової графіки в анімації). Апаратно - орієнтованими колірними моделями є модель RGB для кольорових моніторів, модель CMYK для кольорових принтерів і модель HSI, відповідна кольору сприйняття людини. Недолік цих моделей в тому, що відповідні колірні простору не є перцептивно однорідними і не можуть використовуватися для обчислення колірних відстаней. Тому в роботі використовувалося колірний простір LUV[12]. Цей простір є колометричним, тобто кольори, що сприймаються однаково, мають однакові колірні координати, і рівноконтрастним (тобто рівним змінам координат кольоровості відповідають рівні зміни у відчутті кольору). Параметр L відповідає інтенсивності кольору, U відповідає за перехід від зеленого до червоного (при збільшенні), а при збільшенні параметра V відбувається перехід від синього до фіолетового. Якщо U і V рівні 0, то, змінюючи L, отримуємо кольори, що є градаціями сірого.

Відмінність запропонованого підходу заключається у тому, що введено процедуру кластеризації зображення по двох критеріях (просторовому та колірному компоненту), а також фільтрацію зображення від можливих завад, що дозволяє поліпшити процес сегментації зображення для пошуку об’єктів, що відповідають обличчю людини.


2.3 Розробка алгоритму сегментації зображення для виділення обличчя
Одним із методів виділення однорідних об’єктів у цифровому зображенні є використання методу кластеризації зображення [12, 47]. У постановці задачі сегментації простежується аналогія з завданням кластеризації (або навчання без вчителя). Для того щоб звести задачу сегментації до задачі кластеризації, досить задати відображення точок зображення в деякий простір ознак і ввести метрику (міру близькості) на цьому просторі ознак.

В якості ознак точки зображення можна використати представлення її кольору в деякому колірному просторі, прикладом метрики (міри близькості) може бути евклідова відстань між векторами в просторі ознак. Тоді результатом кластеризації буде квантування кольору для зображення. На даний час відомі такі методи кластеризації [48-52]: метод K-середніх (K-means); графові алгоритми кластеризації; статистичні алгоритми кластеризації; ієрархічна кластеризація або таксономія; нейронна мережа Кохонена; EM-алгоритм; алгоритм, заснований на методі просіювання та інші. Найбільш популярні методи кластеризації, які використовуються для сегментації зображень - К-середніх [12], EM алгоритм [50].

В основу реалізації підходів для створення алгоритму сегментації зображення покладемо Т - формальну постановку задачі кластеризації [12]. Нехай М - множина об'єктів, N - множина номерів (імен, міток) кластерів. Задана функція відстані між об'єктами. Є кінцева навчальна вибірка об'єктів. Потрібно розбити вибірку на непересічні підмножини, які називаються кластерами, так, щоб кожен кластер складався з об'єктів, близьких по метриці, а об'єкти різних кластерів істотно відрізнялися. При цьому кожному об'єкту приписується номер кластера.

Алгоритм кластеризації - це функція, яка будь-якого об'єкта ставить у відповідність номер кластера. Множина в деяких випадках відомо заздалегідь, однак частіше ставиться завдання визначити оптимальне число кластерів, з точки зору того чи іншого критерію якості кластеризації.

Існує багато досить складних за алгоритмом методик кластерного аналізу та споріднених йому, але інакше названих методів: «Розпізнавання образів», «Багатовимірна автоматизована угруповання і класифікація» [12, 52, 53]. Однак можна привести один з алгоритмів кластерного аналізу, етапи якого будуть такими:

1) Обчислення середніх величин кожної з ознак групування xj за сукупністю.

2) Обчислення середніх квадратичних відхилень кожної з ознак групування σxj за сукупністю.

3) Обчислення матриць нормованих різниць по кожній з ознак групування.

4) Обчислення евклідових відстаней між кожною парою поєднань об’єктів сукупності зображення за вибраною формулою.

5) Вибір найменшої з евклідових відстаней.

6) Об'єднання об’єктів сукупності зображення з найменшою евклідовою відстанню між ними в один кластер.

7) Обчислення нових, усереднених значень всіх ознак групування для об'єднаного кластера.

8) Обчислення нових нормованих різниць ознак між об'єднаним кластером і рештою кластерів і включення цих відмінностей в матриці замість значень об'єднаних об’єктів сукупності зображення.

9) Обчислення нових евклідових відстаней об'єднаного кластера від решти кластерів.

10) Вибір найменшої з евклідових відстаней.

11) Повторення операцій 6-10 і так далі до досягнення заданого критерію.

Об'єднання в кластери припиняється, коли всі евклідові відстані між рештою кластерами, перевищать задану критичну величину rmax. Завершення об'єднання в кластери може бути здійснено не при досягненні rmax, а при досягненні заданого числа кластерів (типів). Так чинять, якщо число таких типових кластерів відомо заздалегідь або передбачається деякої гіпотезою.

Сегментацію зображення будемо виконувати на основі методу k-середніх. Метод k-means (іноді званий k-середніх) - найбільш популярний метод кластеризації. Алгоритм представляє собою модифікацію EM-алгоритму для поділу суміші гауссіан. Він розбиває множина елементів векторного простору на заздалегідь відоме число кластерів k.

Основна ідея полягає в тому, що на кожній ітерації переобчислюється центр мас для кожного кластера, отриманого на попередньому кроці, потім вектори розбиваються на кластери знову у відповідності з тим, який з нових центрів виявився ближчим з обраної метриці. Алгоритм завершується, коли на якийсь ітерації не відбувається зміни кластерів. Базовий алгоритм складається із таких етапів [12]:


  1. Вибрати K центрів кластерів, випадково або на підставі деякої евристики (вибрати k середніх mj j=1,…,k).

  2. Для кожного пікселя (x,y) підрахувати Dj=|I(x,y) - mj| для j=1,…,k.

  3. Помістити кожен піксель зображення в кластер, центр якого ближче всього до цього пікселя (віднести (x,y) до кластеру Dj’, Dj’=min{Dj, j=1,..,k}).

  4. Перерахувати середні mj j=1,…,k по всіх кластерах.

  5. Повторити кроки 2, 3, 4 до збіжності (наприклад, коли пікселі будуть залишатися в тому ж кластері або поки кластери не перестануть змінюватися).

Тут в якості відстані зазвичай береться сума квадратів або абсолютних значень різниць між пікселем і центром кластера. Різниця зазвичай заснована на кольорі, яскравості, текстурі і місцезнаходження пікселя, або на зваженій сумі цих факторів. Кількість кластерів K може бути вибрано вручну, випадково чи евристично.

Вибір кількості кластерів будемо здійснювати на основі розподілу колірного простору. Для цього весь колірний простір розділимо на певну кількість підпросторів. Діапазон зміни колірного простору будемо задавати у вигляді кількості градацій кольору, який буде змінюватися від центрального значення кластеру. Щоб перевірити, чи заходиться даний піксель рядом із вибраним центром кластеру, додатково будемо перевіряти відстань від даного пікселя до центру кластеру. Цей алгоритм гарантовано сходиться, але він може не привести до оптимального рішення. Якість рішення залежить від початкової множини кластерів і значення K.

Для виконання сегментації зображення вводимо мінімальну кількість пікселів у кластері, відстань від центру кластера до сусідніх пікселів та мінімальний діапазон кольорів. Ці обмеження використовуємо для формування сегментованого зображення та визначення початкового значення кількості кластерів. По мірі опрацювання зображення проводиться об’єднання сусідніх пікселів, які задовольняють перерахованим умовам.

Запропонований алгоритм кластеризації цифрового зображення для пошуку обличчя людини буде таким.



  1. Початок роботи.

  2. Вводимо матрицю зображення розміром m x n.

  3. Вводимо значення діапазону по кольору h.

  4. Вводимо значення діапазону по мінімальному розміру сегмента F.

  5. Розрахувати розмір кластера по кольору k := 2h.

  6. Визначити кількість кластерів p := (Kmax- Kmin)/k.

  7. Установити значення початкового кластера ms := h.

  8. Розрахувати центральні значення кластерів ms := ms + k, де s змінюється від 1 до p.

  9. Вибираємо початковий піксель i := 0, j := 0.

  10. Знаходимо кластер ms, для якого різниця буде меншою заданого діапазону по кольору. Беремо сусідній піксель і для нього заходимо таку ж різницю. Якщо ці умови виконуються, то на 12, в іншому випадку на 11.

  11. Заносимо значення Kij пікселя до матриці Ms відповідного кластеру ms. Перехід на 12.

  12. Заносимо значення Kij Ki+1,j пікселя до матриці Ms відповідного кластеру ms.

  13. Аналізуємо координату пікселя на виконання умови i = m . Якщо так, то на 14, в іншому випадку на 15.

  14. Збільшуємо координати пікселя i := i + 1.

  15. Аналізуємо координату пікселя на виконання умови j = n. Якщо так, то на 16, в іншому випадку на 17.

  16. Збільшуємо координати пікселя j := j + 1.

  17. Обчислюємо кількість Cs пікселів у кожному кластері.

  18. Розраховуємо нові центри кластерів msn.

  19. Порівнюємо нові значення центрів кластерів із попередніми значеннями. Якщо так, то на 21, в іншому випадку на 20.

  20. Переприсвоюємо центри кластерів ms := msn. Перехід на 10.

  21. Порівнюємо розміри кластерів Cs із мінімальними значеннями F. Якщо так, то переходимо на 22, інакше на 24.

  22. Знаходимо крайній піксель мінімального кластеру і відшуковуємо найближчий піксель із іншого кластеру, що задовольняє умові h.

  23. Переміщаємо знайдений піксель до попереднього кластеру. Перехід на 10.

  24. Сформувати матрицю зображення із накладеними кластерами.

  25. Вивести зображення із виділеними сегментами.

  26. Кінець алгоритму.

Представлений алгоритм лежить в основі програми по виділенню об’єктів зображення з метою проведення його сегментації і представлений в графічній частині роботи в додатках. Запропонований підхід дозволяє виконати сегментацію для довільного растрового зображення. Запропонований підхід реалізований у програмі, що наведена у додатках до магістерської роботи.
2.4 Розробка алгоритму колірної сегментації шкіри обличчя
Серед емпіричних методів виявлення облич і рук широкого поширення набули методи, що використовують колірну сегментацію областей шкіри. Причина популярності полягає в тому, що використання кольору шкіри як ознаки для виявлення особи поєднує в собі кілька важливих переваг:

1) мала обчислювальна складність і, як наслідок, висока швидкість обробки;

2) стійкість до зміни орієнтації та масштабу особи;

3) стійкість до зміни освітлення (за винятком кольорового);

4) стійкість до зміни виразу обличчя і часткового перекриття особи іншим об'єктом сцени.

До недоліків цього методу можна віднести:

1) потенційна можливість помилкового виявлення предметів з кольором, близьким до кольору шкіри;

2) залежність від колірного балансу камери і кольору освітлення [2].

Існує кілька методів колірної сегментації шкіри на зображенні: апріорні, параметричні і непараметричні [54-57].

Апріорні методи. До групи апріорних відносяться методи, які в якості моделі кольору шкіри використовують явно заданий багатогранник в певному колірному просторі, тобто заздалегідь задається деякий жорсткий набір правил. До переваг апріорних методів можна віднести простоту реалізації та відсутність навчання. Основним недоліком апріорних методів є необхідність підбирати зручний колірний простір і адекватний набір правил емпірично.

Непараметричні методи. Основна ідея таких методів полягає в конструюванні ймовірнісної карти шкіри, тобто кожному значенню кольору в дискретизованому колірному просторі ставиться у відповідність імовірність приналежності цього кольору шкірі. До цього класу методів відноситься класифікатор Байеса. До переваг непараметричних методів можна віднести простоту реалізації, відсутність знань про форму та параметри розподілу; високий рівень точності розпізнавання. Недоліки виражаються в необхідності створення великих навчальних наборів.

Параметричні методи. Параметричні методи використовують явне представлення розподілу кольору шкіри в обраному колірному просторі. Параметри моделі обчислюються на підставі тренувальних даних - зображеннях з виділеними областями шкіри. Переваги параметричних методів: компактна модель; здатність узагальнювати і інтерполювати відсутні дані. Недоліки: висока залежність від обраного заздалегідь розподілу, від вибору колірного простору, тому в моделі закладено припущення про форму розподілу кольору шкіри; високий рівень помилкового виявлення.

Вищеперераховані переваги виявлення осіб за кольором роблять використання характерного кольору шкіри як ознаки для розпізнавання вельми привабливим, навіть незважаючи на наявні недоліки. Результатом колірної сегментації шкіри повинен бути набір областей зображення, близьких за кольором до людської шкіри. Виявлення таких областей дає додаткові ознаки для локалізації обличчя на зображенні [58-62].

В якості основи для роботи були обрані методи детектування обличчя. Серед емпіричних методів виявлення обличчя були обрані апріорні методи, що використовують колірну сегментацію областей шкіри.

Використання кольору шкіри для виявлення обличчя людини запропоновано у ряді публікацій [60-62]. Для цього використовуються різні моделі кольорів. В кожній із колірних моделей експериментально виділяється діапазон значень, що характерні для кольору шкіри людини.

В роботах [63-67] приводяться експериментально встановлено межі компонент колірних просторів, пікселі яких відносяться до шкірі людини. Кожний колірний простір при виборі пікселів шкіри має свої плюси і мінуси. Розглянемо ці підходи.

Для аналізу реалізації апріорних методів колірної сегментації були обрані три колірних простори: RGB, HSV, YCbCr. Модель RGB використовується найчастіше, але в різних публікаціях пропонуються різні значення діапазону інтенсивності кольорів (до 5 різних діапазонів) [65, 66]. Наприклад, в публікації [65] для простору RGB було вибрано наступне обмеження: R> 95 і G> 40 і B> 20 і max {R, G, B} - min {R, G, B}> 15 і | R-G | > 15 і R> G і ​​R> B.

Модель HSV хоч і має певні переваги перед моделлю RGB, але є нелінійною для колірного простору [67]. Кращим варіантом є перевірка по кольору з використанням моделі YCbCr. Компоненти Cb та Cr відповідають за колірний простір, а компонента за яскравість зображення. Теоретично колір пікселя не повинен залежати від складової яскравості в просторах YCbCr. Тому при пошуку пікселів шкіри враховувалися тільки колірні компоненти: Cb і Cr. В роботі [63] пропонуються такі значення 95 < Cb < 115, 135 < Cr < 170. В нашому випадку кращим буде використання нормованих значень, приведених до діапазону [0, 1]. Позбавлення від компоненти по яскравості при аналізі кольору пікселів дає можливість отримання інваріантності до зміни освітленості на зображенні.

Послідовність роботи алгоритму буде такою.


  1. Перевести пікселі зображення із моделі кольорів RGB у модель YCbCr за відомими формулами.

  2. Виконати нормування значень інтенсивності кольорів пікселів.

  3. Сформувати нову матрицю для зображення.

  4. Помістити у нову матрицю всі пікселі, що задовольняють умовам

Y = [0, 1], Cb = [–0.15, 0.05], Cr = [0.05, 0.20].

  1. Перевірити на співпадання пікселів отриманої матриці кольорів шкіри людини з матрицею зображення, де вказані області, що відповідають обличчю людини.

  2. Вивести результати перевірки.

Запропонований алгоритм реалізований у підпрограмі по колірній сегментації шкіри обличчя людини.

Для досягнення кращих результатів запропоновано комбінація алгоритму колірної сегментації з методом ключових точок. При детектуванні осіб доцільніше спочатку сегментувати зображення, а потім застосовувати метод ключових точок.

При аналізі пікселів на приналежність їх шкірі запропоновано перевірка додаткової умови на когерентність сусідніх пікселів. Піксель вважається належить шкірі у випадку, якщо виконується умова приналежності його кольору кольором шкіри, і якщо хоча б половина його сусідів також належить шкірі. Ця умова перевіряється на другому проході алгоритму.У роботі пропонується проводити аналіз сусідніх пікселів, використовуючи властивість просторової когерентності. Для того щоб піксель з кольором «с» вважався шкірою, його сусідні пікселі також повинні належати «шкірі» (належати «шкірі» повинні хоча б 3 сусідніх пікселя), причому різниця в їх колірних компонентах Cb і Cr не повинна перевищувати двійки. Подібний підхід дозволяє усунути випадкові шумові сплески в подібному колірному діапазоні для «шкіри», а також розмежувати колір шкіри і колір волосся. Запропонований підхід реалізований в розробленій програмі по знаходженню та відстеженню переміщення обличчя людини.
2.5 Розробка алгоритму відстеження переміщення обличчя людини
Однією з важливих, але до кінця не вирішених підзадач є автоматичне виділення рухомих об'єктів, що є необхідною попереднім кроком при вирішенні таких завдань відеоспостереження, як системи контролю доступу, видалення фону, орієнтація роботів в просторі, системи допомоги водіям, розпізнавання осіб, полегшення сприйняття сцени людським оком та багатьох інших. У роботі розглядається питання виділення рухомих об'єктів із відеопослідовності. Існує два основні класи методів виділення рухомих об'єктів: 1) шляхом аналізу їх меж (контурів); 2) шляхом аналізу всієї області об'єкту на кадрах. Основною ідеєю методів першого класу є пошук відмінностей векторів оптичного потоку з подальшою побудовою контурів рухомих об'єктів. Методи другого класу, навпаки, грунтуються на групуванні подібних векторів з оптичного потоку в області, які подаються на вихід алгоритму в якості рухомих об'єктів. Більшість класичних методів аналізують не власні кадри відеопослідовності, а оптичний потік (поле видимих ​​зміщень пікселів зображень), побудований за цим кадрам. Для нашого підходу пропонується використати виділення меж контурів обличчя людини, помістити його у прямокутник та відстежувати переміщення обличчя шляхом відстеження переміщення центру прямокутника.

За останні 20 років було створено величезну кількість різних детекторів точкових особливостей зображень. Всі вони використовують різні підходи до формування функції оцінки пікселів для знаходження точкових особливостей. У нашому випадку, в системах стеження за переміщенням обличчя людини, визначальним параметром якості детектора буде якість подальшого відстеження.

Найчастіше використовується детектор Харріса [23]. Для кожного пікселя зображення обчислюється значення особливої ​​функції відгуку кута (corner response function), яка оцінює ступінь схожості зображення околиці точки на кут.

Якщо обидва її власних значення великі, то навіть невелике зміщення точки (x, y) у сторону викликає значні зміни в яскравості, що і відповідає особливості зображення. Точки зображення, відповідні локальним максимумів цієї функції і визнаються особливостями. Для досягнення субпіксельної точності може використовуватися квадратична (quadratic) інтерполяція.

Для зниження впливу завад на знайдені особливі ділянки зображення використовується згладжування по Гаусу, але не в самому зображенні, а тільки в похідних зображення. Дана послідовність складається із двох етапів.

Етап 1 (Детектування і оцінка).

1. Знайти набір особливостей {Features}

2. Визначити якість всіх особливостей - Quality ({Features})

3. Залишити тільки особливості, чия якість вища деякого заздалегідь або динамічного певного порогу, отримавши множину{GoodFeatures}

Етап 2 (Стеження і оцінка). Для кожного наступного кадру:

1. Знайти в поточному кадрі нове положення всіх особливостей з {GoodFeature} - спостереження (tracking)

2. Визначити поточну якість всіх {GoodFeatures}

3. Залишити тільки ті особливості, чия якість задовольняє деякому критерію

4. Якщо число точок, що відслідковуються, падає нижче необхідного, застосувати детектор до цього зображенню і додати в {GoodFeatures} нові точки.

Для спрощення процесу пошуку зміщення об’єктів зображення пропонується відслідковувати тільки переміщення центру прямокутника, в якому розміщене обличчя людини. Запропонована послідовність буде такою.


  1. Виявити на зображенні обличчя людини.

  2. Помістити виявлене обличчя людини в прямокутник.

  3. Провести діагоналі у прямокутнику.

  4. Знайти точку перетину діагоналей.

  5. Зафіксувати місцезнаходження центра прямокутника.

  6. Перейти до наступного кадру зображення.

  7. Виконати пункти 1- 5 для нового кадру зображення.

  8. Визначити зміщення центра нового прямокутника

  9. Використати отриманий результат для виконання подальших операцій із зображенням в залежності від вибраного способу відстеження.

Запропонований підхід використаний при створенні програмного продукту по виявленню та відстеженню переміщення обличчя людини.

1   2   3   4   5   6   7   8   9



  • 2.3 Розробка алгоритму сегментації зображення для виділення обличчя
  • 2.4 Розробка алгоритму колірної сегментації шкіри обличчя
  • 2.5 Розробка алгоритму відстеження переміщення обличчя людини