автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Методы автоматической идентификации личности по изображениям лиц, полученным в неконтролируемых условиях

На правах рукописи

и

Тимошенко Денис Максимович

МЕТОДЫ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО ИЗОБРАЖЕНИЯМ ЛИЦ, ПОЛУЧЕННЫМ В НЕКОНТРОЛИРУЕМЫХ УСЛОВИЯХ

05.13.18 — Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Петрозаводск - 2014

005558893

Работа выполнена в Санкт-Петербургском государственном университете.

Научный руководитель:

Официальные оппоненты:

Гришкин Валерий Михайлович

кандидат технических наук, доцент

Нечаев Юрий Иванович

доктор технических наук, профессор, профессор кафедры вычислительной техники и информационных технологий Санкт-Петербургского государственного морского технического университета

Ведущая организация:

Талбонен Андрей Николаевич

кандидат технических наук, старший научный сотрудник центра математических и информационных технологий Института информационно-телекоммуникационных и нано технологий Петрозаводского государственного университета

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)

Защита состоится «26» декабря 2014 г. в 15 часов на заседании диссертационного совета Д 212.190.03 при Петрозаводском государственном университете, по адресу: 185910, г. Петрозаводск, пр. Ленина, 33.

С диссертацией можно ознакомиться в научной библиотеке Петрозаводского государственного университета и на сайте petrsu.ru.

Автореферат разослан « 24» ОШ^р.? 2014 г.

Отзывы и замечания по автореферату в двух экземплярах, заверенные печатью, просьба высылать по вышеуказанному адресу на имя ученого секретаря диссертационного совета.

Ученый секретарь диссертационного совета

Воронов Роман Владимирович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Задача автоматического распознавания лиц с целью установления личности имеет большое количество приложений в различных областях. Повышенный интерес к данной технологии вызван проблемами общественной безопасности, потребностью в удаленной аутентификации, развитием человеко-машинных интерфейсов. Что важно, во многих случаях для достижения приемлемого качества распознавания лиц не требуется дорогостоящее специфическое оборудование: источниками образцов могут служить фотографии или видеозаписи, сделанные непрофессиональной камерой. Благодаря многочисленным социальным и файлообменным сетям, изображение лица является одним из наиболее распространенных и доступных биометрических параметров человека. Этот факт породил новый вид задач, связанных с поиском информации в глобальной сети Интернет на основе биометрических данных.

Разработка методов распознавания лиц ведется уже несколько десятилетий, однако эта проблема по-прежнему далека от завершения. Автоматическое распознавание является непростой задачей из-за переменчивых условий визуализации лиц, связанных с освещением, положением головы по отношению к камере, старением, мимикой и другими факторами. При проектировании систем стараются избежать негативного воздействия указанных факторов, накладывая жесткие ограничения на процесс фотосъемки лиц, однако наибольший практический интерес представляет задача распознавания лиц на изображениях, полученных в неконтролируемых условиях. В последние годы наблюдается значительный прогресс в данной области, во многом благодаря развитию методов машинного обучения и появлению больших баз фотографий для тренировки систем.

Существует три основных задачи, решаемые системами распознавания лиц: верификация, идентификация на закрытом множестве, и идентификация на открытом множестве. В настоящей работе предлагаются метод и комплекс программ для построения системы идентификации лиц по спискам, которая является частным случаем идентификации на открытом множестве. Данный вид систем имеет широкую область применения, а ниже перечислены наиболее актуальные приложения.

- Системы наблюдения, устанавливаемые в общественных местах: в метро, на вокзалах, в аэропортах. Список идентификации в таком случае может включать людей, находящихся в розыске. Тогда система распознавания

осуществляет мониторинг лиц, появляющихся в области видимости камер наблюдения.

- Системы безопасности финансовых учреждений. Банковский сектор регулярно подвергается атакам мошенников, использующих поддельные удостоверения личности для получения денежных займов. Реакция системы идентификации по списку делает возможным принятие превентивных мер по отношению к потенциальным нарушителям.

- Автоматизированные системы обработки и модерации содержимого сайтов и социальных сетей. Оперируя биометрическими шаблонами, можно установить связь между изображением лица на фотографии и сетевым профилем соответствующей ему личности. С другой стороны, одним из пунктов пользовательского соглашения с социальными сетями является предоставление пользователем корректной личной информации. Это правило нарушается, когда становится невозможно установить внешний вид пользователя из-за отсутствия изображения лица на его профильной фотографии или из-за наличия посторонних лиц на предоставленной фотографии. Наконец, цифровое изображение человека является объектом гражданского права, в связи с чем возникает проблема отслеживания неправомерного использования фотографий, чаще всего — публичных личностей.

- Поисковые системы используют биометрическую информацию для индексации массивов изображений с целью улучшения точности ответов на запросы пользователей.

Решение задачи автоматической идентификации лиц на изображениях, полученных в неконтролируемых условиях, включает в себя создание алгоритмов обнаружения и локализации (детектирования) лиц на изображениях. Последние несколько лет доминирующими подходами для моделирования лиц являются метод главных компонент (МГК) и вероятностный линейный дискриминантный анализ (ВЛДА). В решении задачи детектирования лиц хорошо зарекомендовали себя алгоритм Виолы-Джонса, локальные бинарные шаблоны (ЛБШ) и сверточные нейронные сети (СНС). В данной диссертации представлено описание и анализ перечисленных подходов, положенных в основу разработанного метода детектирования и идентификации лиц по спискам.

Целью диссертационной работы является разработка методов идентификации лиц по спискам на образцах, полученных в неконтролируемых условиях. Для достижения поставленной цели решены следующие задачи:

1) проведен аналитический обзор существующих методов, алгоритмов и систем детектирования и распознавания лиц;

2) предложен новый метод детектирования и идентификации лиц по спискам на фотографиях, сделанных в неконтролируемых условиях;

3) разработано и внедрено в автоматизированные системы программное обеспечение для детектирования и идентификации лиц по спискам;

4) проведено экспериментальное исследование предложенной системы и даны рекомендации по выбору параметров системы, повышающих точность детектирования и распознавания лиц.

Предмет и методы исследования. Предметом исследования является система детектирования и идентификации лиц по спискам на цифровых изображениях. В работе используются методы цифровой обработки изображений, машинного обучения, математического моделирования и численного анализа.

Научная новизна работы заключается в следующем:

1) предложен комбинированный метод детектирования лиц с использованием каскадов ЛБШ и СНС, позволяющий повысить качество работы системы распознавания при различных условиях визуализации;

2) предложено семейство алгоритмов для детектирования и идентификации лиц, основанное на комбинированном методе;

3) предложен метод моделирования и идентификации лиц по спискам на основе ВЛДА;

4) разработана методика обучения системы детектирования и идентификации лиц на фотографиях, полученных в неконтролируемых условиях.

Научные положения, выносимые на защиту:

1) комбинированный метод детектирования лиц с использованием каскадов ЛБШ и СНС, позволяющий повысить качество работы системы распознавания при различных условиях визуализации;

2) семейство алгоритмов для детектирования и идентификации лиц, основанное на комбинированном методе;

3) метод моделирования и идентификации лиц по спискам на основе метода ВЛДА;

4) методика обучения системы детектирования и идентификации лиц на фотографиях, полученных в неконтролируемых условиях.

Практическая значимость работы заключается в том, что предложенные методы и алгоритмы реализованы в виде комплекса программ, образующих автоматическую систему детектирования и идентификации лиц по спискам, устойчиво функционирующую при различных условиях визуализации.

Достоверность результатов исследования подтверждается корректным использованием теоретических методов, оценочных критериев, а также экспериментальными результатами, полученными при использовании системы идентификации, разработанной на основе предложенных методов и алгоритмов.

Внедрение результатов работы. Представленные в диссертационной работе теоретические и практические результаты были применены в ООО «Кузнеч». Разработанный программный продукт входит в состав автоматизированных систем детектирования и распознавания лиц, зарегистрированных в Российском агентстве по патентам и товарным знакам (Роспатент):

- автоматизированная система «Kuznech Face Detection», свидетельство № 2014611221, дата регистрации - 28 января 2014 г.;

— автоматизированная система «Kuznech Face Recognition», свидетельство №2014614912, дата регистрации - 13 мая 2014 г.

Публикации и апробация работы. Основные положения и результаты диссертационного исследования представлялись на следующих конференциях:

1) IX Международная конференция «Компьютерные науки и информационные технологии» (CSIT'13). Ереван, Армения, 23-27 сентября 2013;

2) II Конференция по вычислительному интеллекту и биоинформатике (CIB 2013). Чеджу, Южная Корея, 27-28 декабря 2013;

3) Международная конференция по компьютерным технологиям в физических и инженерных приложениях (ICCTPEA). Санкт-Петербург, Россия, 30 июня - 4 июля 2014.

По теме диссертации опубликовано 5 научных работ, из них 2 статьи опубликованы в журналах, входящих в перечень Высшей аттестационной комиссии, и 2 статьи - в базу данных Scopus.

Структура работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 111 наименований. Работа содержит 59 рисунков и 20 таблиц. Основная часть работы изложена на 122 страницах машинописного текста.

СОДЕРЖАНИЕ РАБОТЫ

Во введении содержится обоснование актуальности темы диссертации, формулируются цели и задачи исследования, научная новизна, практическая ценность результатов, а также кратко изложено содержание разделов диссертации.

В первой главе содержатся общие сведения о биометрических системах и постановка задачи распознавания лиц. Описываются основные принципы построения систем распознавания лиц, дается краткое описание процесса формирования биометрического шаблона на основе растровых данных.

Существует три основных типа задач, решаемых биометрическими системами: верификация, идентификация на закрытом множестве, идентификация на открытом множестве. Идентификация лиц по спискам относится к задачам третьего типа. Для оценки эффективности систем детектирования, верификации и идентификации лиц применяются следующие критерии:

- критерий полноты системы (Recall), показывающий отношение количества верных обнаружений лиц к общему числу лиц на изображениях;

- критерий точности системы (Precision), показывающий долю верных обнаружений лиц среди всех результатов детектирования;

- ошибка ложного отказа, FRR (False Reject Rate), пропорциональная количеству отвергнутых транзакций верификации подлинной личности или положительного класса;

- ошибка ложного пропуска, FAR (False Accept Rate), пропорциональная количеству ложно принятых транзакций верификации самозванца или отрицательного класса;

- критерий равенства частоты появления ошибок 1-го и 2-го рода EER (Equal Error Rate);

- вероятность идентификации, POI (Percentage of Identification), показывающая процент транзакций, для которых правильный идентификатор пользователя присутствует в списке возращаемых кандидатов, вероятность идентификации для ранга N обозначается как POI-N.

- вероятность верно распознанных подлинных личностей системой идентификации по спискам, DIR (Detect & Identify Rate).

Приведен обзор современных существующих систем распознавания лиц и баз изображений для тестирования алгоритмов детектирования и распознавания лиц.

Вторая глава посвящена методам детектирования лиц на фотографиях, полученных в неконтролируемых условиях. Приводится описание существующих методов вычисления информативных дескрипторов изображений и алгоритмов классификации для решения проблемы точной локализации лиц.

Изображение лица подвержено воздействию ряда факторов, в первую очередь, условиям освещения и различным окклюзиям. При решении задачи

распознавания лиц на двумерных изображениях играет роль еще один важный фактор - это углы проекции плоскости лица, возникающие во время съемки человека с различных ракурсов. Выделяют три вида угловых положений головы

относительно фронтального положения: поворот, наклон и отклонение (рис. 1). $ $ §[ ^

Фронтальное Поворот Наклон Отклонение положение

Рисунок 1. Угловые положения головы

В данной работе предлагается устойчивый к углу отклонения комбинированный метод детектирования лиц, основанный на серии каскадных классификаторов, использующих локальные бинарные шаблоны (ЛБШ) в качестве признаков для поиска областей с лицами, и сверточной нейронной сети (СНС), которая производит фильтрацию решений каскадов (рис. 2).

Рисунок 2. Схема комбинированного детектора лиц

Способ расчета ЛБШ на изображении происходит следующим образом: исходная матрица пикселей покрывается множеством пересекающихся прямоугольных областей различного масштаба. Внутри каждой области для неграничных пикселей вычисляется оператор ЬВРРК:

р-1

1ВРРК{хс,ус) = У з(ахр,ур) -г(хс,ус))2р

р—0 (1) 5(х) = ( 0, х < О 11, х > О

где f{x,у) - значение яркости пикселя с координатами (х,у), (хс,ус) -координаты центрального пикселя', (хр, ур) - координаты смежного пикселя, R -радиус действия преобразования, Р - количество смежных пикселей.

Оператор LBPpl^u для R=1 и Р=8 использует ряд инвариантных к повороту изображения унифицированных шаблонов, которые получаются из циклических сдвигов восьми категорий битовых представлений, построенных отображением LBPpR, и двух инвариантных сдвигу битовых масок. Рассчитываются гистограммы значений операторов:

N

hpR(i) = £ / {lBP"2u (xej,ycj) e (a£_lf Oí]}, (2)

i=i

Бины построенных гистограмм используются в качестве признаков для «слабых» классификаторов fc¡, образующих «сильный» классификатор:

KLBp = 'YjCiki(.hPR{0,Pi,ei), (3)

где {c¡,p¡, 0;} - набор параметров «слабого» классификатора, которые определяются в процессе адаптивного бустинга композиции. Далее, согласно методу Виолы-Джонса (Viola-Jones), «сильные» классификаторы выстраиваются в каскад, обучаемый также с помощью алгоритма бустинга. В процессе обучения каждый последующий классификатор стремится исправить ошибки предыдущего. Для улучшения показателя полноты было обучено несколько каскадов на наборах изображений лиц с различными углами отклонения головы а.

Завершающим узлом всех решающих деревьев выступает сверточная нейронная сеть. Все области изображения, помеченные каскадами как «лица», отображаются на ретину СНС, которая осуществляет финальную классификацию на «лица» и «шумы». Предлагаемая схема СНС базируется на расширенной архитектуре LeNet-5. Слои сети расположены в следующем порядке: ретина (размер - 32x32 точки), свёрточный слой (размер ядра - 5x5 точек, количество карт - 16), субдискретизирущий слой max-pooling (размер ядра - 2x2 точки), свёрточный слой (размер ядра - 3x3 точки, количество карт -16), субдискретизирущий слой max-pooling (размер ядра — 2x2 точки), полносвязный слой (14 нейронов), полносвязный слой (2 нейрона), нормализующий softmax-слой с двумя выходами, имеющими метки «лицо» и «шум». Функции активации у нейронов всех слоев - ReLU.

Для обучения сети использовался метод регуляризации Dropout, предложенный Джеффри Хинтоном, который заключается в обнулении выходов случайно выбранных нейронов скрытого слоя с некоторой вероятностью.

В завершении второй главы предлагается метод выравнивания обнаруженных детектором лиц, путем вращения их изображений в направлении, противоположном углу отклонения. Отличие СНС, детектирующей угол отклонения и смещение рамки, заключается в количестве нейронов у двух полносвязных слоев (40 и 3 вместо 14 и 2) и типе их функций активации (сигмоидальная функция вместо КеШ), а также интерпретации выходов эойтах-слоя: «угол», «смещение по оси X», «смещение по оси У».

В третьей главе приведено описание методов многомерного анализа, позволяющих редуцировать пространство входных данных, сохраняя наиболее информативные признаки. Представлен алгоритм построения модели личности, основанный на методах факторного и дискриминантного анализа. Выведено правило сопоставления шаблонов лиц в рамках решения задачи идентификации по спискам с помощью метода вероятностного линейного дискриминантного анализа (рис. 3).

Детектор лиц

РВф

Локализация лиц на изображении

Выравнивание положений лиц

Построение модели лица

Анализ и редукция данных

Выделение информативных признаков

(•-----------*

! Шаблон Б ' __________^

\ Шаблон С ! [шаблон в]—♦

Шаблон А

Сопоставление .моделей лиц

Ф Решение системы идентификации

Рисунок 3. Система идентификации лиц по спискам

Исходная матрица пикселей разбивается на ряд непересекающихся прямоугольных областей, внутри каждой из которых для неграничных пикселей вычисляется гистограмма значений оператора ЬВРРК. Путем конкатенации гистограмм по различным областям изображения формируется вектор признаков X.

Построенный вектор X имеет существенную размерность, что может привести к явлению «проклятия размерности» при классификации признаков. Чтобы этого избежать, применяются методы многомерного анализа для построения нового подпространства признаков меньшей размерности. Эффективным решением для снижения размерности признаков является метод «лица Фишера» ^¡эЬегГасез), заключающийся в последовательном применении методов главных компонент (МГК) и линейного дискриминантного анализа (ЛДА) к исходным векторам признаков (рис 4). Переход в подпространство главных компонент на данном этапе производится, чтобы избежать сингулярности в собственных числах ковариационных матриц внутриклассовой и межклассовой вариативности. Также используется внутриклассовая нормализация ковариации (\VCCN) признаков, представленных в базисе «лиц Фишера».

г \ 1 г \ г \

МГК 1 ЛДА + \VCCN

1 Ч. -> Ч. У

Хг

Рисунок 4. Схема редуцирования исходного пространства признаков

Многомерный вектор признаков проецируется в подпространство меньшей размерности с помощью следующей формулы:

ХРР = У7П(Х -X), ^ (4)

где X - среднее значение векторов признаков тренировочной базы, и - матрица нормализованных «собственных лиц», V - матрица «лиц Фишера», [V -нормализующий оператор \VCCN.

Для сопоставления векторов используется модель вероятностного линейного дискриминантного анализа (ВЛДА). Суть метода ВЛДА заключается в разложении вариативности исходных данных на внутриклассовую вариативность и межклассовую вариативность. В отличие от классического метода ЛДА Фишера для описания данных используется обобщенная факторная модель. Каждый вектор признаков, посчитанный для >го изображения ¡-ой личности, представляется в виде следующей суммы:

ц + <М; + + е^

(5)

где [i — математическое ожидание случайного вектора х, Ф - матрица факторов, описывающих межличностную изменчивость лиц, h¿ - скрытый вектор весов для факторов из матрицы Ф, V - матрица факторов, описывающих внутриличностную изменчивость лиц, s¡j - скрытый вектор весов факторов из матрицы V, Eij - слагаемое, описывающее шум. Параметры в = (р, Ф, V, 2) модели ВЛДА определяются с помощью ЕМ-алгоритма.

Для решения задачи идентификации лиц по списку предлагается подход, который заключается в последовательном осуществлении двух этапов: идентификации неизвестного образца на закрытом множестве и верификации образца с результатами идентификации. Предположим, в базе эталонов содержатся вектора признаков для К индивидуальностей по М сессий на каждую индивидуальность. На вход модулю идентификации поступает вектор признаков у неустановленной личности Хк. Сформировав составные вектора

признаков z¡ = [ут ...xjf] , находим идентификатор личности Лк, для которого достигается максимум оценки правдоподобия:

Лк = argmax(P(0 = GJz;)) , /6ч

í=I..K v '

где 0J обозначает набор параметров модели (5) гипотезы, что признаки у и Хц принадлежат одной индивидуальности (сравнение «свой-свой»), Хк -идентификатор личности, которая лучшим образом описывается вектором у.

Верификация с максимально похожим образцом из базы заключается в сравнении апостериорной вероятности класса «свой-свой» с установленным порогом принятия решения Т. В случае многосессионной модели для каждой

сессии k-ой личности формируется вектор признаков zkj = [ут который

сравнивается с порогом:

л = ак, 3 i 6 Г7М: Р(9 = 0г |zkj) > т ( 0, иначе

В завершении раздела рассмотрены некоторые методы построения обобщенного решения на основе систем, обученных с разными параметрами и на различных типах признаков изображения, с целью увеличения качественных показателей. Предложенный в разделе метод идентификации по спискам позволяет устойчиво распознавать лица на изображениях, полученных в неконтроллируемых условиях, что подтверждается экспериментальными результатами.

В четвертой главе приводятся результаты экспериментальных исследований описанных методов и алгоритмов. В начале главы проведено

сравнение различных алгоритмов детектирования изображений лиц: Виолы-Джонса, каскадного на основе ЛБШ, комбинированного с использованием СГР или СНС в качестве фильтра шумов.

Тестирование алгоритмов детектирования и распознавания лиц проводилось на следующих наборах изображений:

- база Face Detection Data Set and Benchmark (FDDB) включает в себя набор из 2845 изображений, полученных из сети Интернет; на фотографиях из базы отмечено 5171 лицо;

- база Social собрана из открытых альбомов пользователей социальных сетей и включает в себя 1600 фотографий, содержащих 3183 лица; большая часть изображений лиц имеет значительные углы отклонения головы (от 15°);

- база Labeled Faces In Wild (LFW) состоит из 13233 фотографий 5749 знаменитых людей, набор содержит от 1 до 530 изображений на человека, полученных из сети Интернет;

- база ТОР-50 состоит из 1500 фотографий 50 российских знаменитостей, как и в случае LFW фотографии собраны из сети Интернет;

- база ORL Database содержит 400 фотографий, полученных в контролируемых условиях для 40 персон.

В таблице 1 приведены результаты тестирования комбинированного метода со сверточной сетью в качестве фильтра. Рассматривались различные комбинации каскадов, представлены показатели полноты при фиксированной точности системы, равной 95%.

Таблица 1

Результаты оценки качества различных каскадов и СНС (с Dropout) на тестовых базах

Набор каскадов в комбинированном методе Recall, % Среднее время обработки, мс на фото

Kuznech Social FDDB

Хаара (алгоритм Виолы-Джонса) 42 66 131

ЛБШ (0°±10°) 39 65 48

Хаара + ЛБШ (0°± 10°) 48 63 164

Хаара + ЛБШ (0°±10°, 20°±10°) 59 57 235

ЛБШ (0°±10°, 20°±10°, 45°±15°) 55 60 161

Хаара + ЛБШ (0°±10°, 20°±10°, 45°±15°) 61 57 273

Во второй части главы описан процесс подбора оптимальных параметров для метода идентификации лиц по списку и представлены результаты тестирования систем на различных базах.

В таблице 2 приведены результаты основных экспериментов по идентификации лиц. Эксперименты проводились на базе ТОР-50, в качестве эталонных записей использовались многосессионные модели, содержащие по 15 изображений на персону.

Таблица 2

Значение POI системы идентификации для различных экспериментов

Эксперимент POI-1,% POI-5,%

Без выравнивания изображений лиц 49,5 71,1

С выравниванием изображений лиц 61,4 84,5

Выравнивание + рескейлинг лиц к 100x100 рх 75,9 93,0

Выравнивание + рескейлинг лиц к 128x128 рх 83,5 95,0

В таблице 3 приведены значения равновероятной ошибки системы верификации, полученные на различных базах изображений.

Таблица 3

Значение EER системы верификации на различных базах

База Количество фотографий Кол-во сравнений «свой-свой» / «свой-чужой» EER,%

ТОР-50 1500 43500 / 2205000 17,7

ORL Database 400 3600/156000 14,8

LFW 13233 3000/3000 20,2

Итоговая система идентификации по списку была получена путем объединения модуля идентификации на закрытом множестве и модуля верификации. Ошибке ложного пропуска системы, составляющей 1%, соответствует показатель DIR, равный 45% (точность -98%); при 10% ложных срабатываний DIR составляет 70%. Скорость поиска в базе моделей составила 10 тыс. сравнений в секунду на процессоре Intel Xeon CPU Х5650.

ЗАКЛЮЧЕНИЕ

Представленная диссертационная работа содержит описание и результаты исследований предложенных методов и алгоритмов, реализованных в системе идентификации лиц по списку на статических двумерных изображениях, полученных в неконтролируемых условиях. Основные научные и практические результаты работы заключаются в следующем:

1) проведен обзор существующих систем распознавания лиц, отмечены ограничения систем и возникающие трудности при детектировании, идентификации или верификации лиц;

2) предложены комбинированный метод детектирования лиц и основанный на нем алгоритм;

3) разработан и опробован метод моделирования и идентификации лиц по спискам, основанный на вероятностном линейном дискриминантном анализе с многошаговой редукцией пространства исходных признаков методами многомерного статистического анализа;

4) разработано и внедрено в автоматизированные системы программное обеспечение для детектирования и идентификации лиц по спискам;

5) предложена методика обучения системы детектирования и идентификации лиц на изображениях, собранных в неконтролируемых условиях;

6) проведено экспериментальное исследование отдельных модулей предложенной системы и даны рекомендации по выбору параметров системы, повышающих точность детектирования и идентификации лиц.

Статьи, опубликованные в изданиях, включенных в перечень ВАК

1. Тимошенко Д. М. Комбинированный метод детектирования лиц на статических изображениях с применением смеси гауссовых распределений и каскадов Хаара // Вестн. С.-Петерб. ун-та. - 2013. - Сер. 10. - Вып. 4. - С. 99-104.

2. Тимошенко Д.М., Гришкин В.М. Параллельный алгоритм обучения нейронной сети с машиной опорных векторов в качестве выходного слоя // Системы управления и информационные технологии. - 2014. - №. 2(56). -С. 75-80.

Статьи, опубликованные в изданиях, входящих в базу Scopus

3. Smimov Е. A., Timoshenko D. M., Andrianov S. N. Comparison of Regularization Methods for ImageNet Classification with Deep Convolutional Neural Networks // AASRI Procedia. 2nd AASRI Conférence on Computational Intelligence and Bioinformatics. - 2014. - Vol. 6. - P. 89-94.

4. Timoshenko D. M., Grishkin V. M., Smirnov E. A. Effective false positive réduction in multilevel face détection system using convolutional neural networks // Computer Technologies in Physical and Engineering Applications (ICCTPEA). -2014.-P. 187.

Другие работы

5. D. Timoshenko, V. Grishkin. Комбинированный метод детектирования лиц для автоматической модерации пользовательских аватаров // Computer Science and Information Technologies (CSIT' 13). - 2013 - P. 209-213.

Отпечатано в типографии ООО «УНИ-ПРИНТ.РУ» Заказ № 44-1021-54. Формат бумаги 60x84/16. Тираж 100 экз. Подписано в печать 20.10.2014. 191119, Санкт-Петербург, ул. Звенигородская, д. 11 Тел./факс 740-11-80 www.7401180.ru