Розробка методики виявлення обличчя на зображенні на основі методів бінаризації, масштабування і сегментації

Автор(и)

  • Eugene Fedorov Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006, Україна https://orcid.org/0000-0003-3841-7373
  • Tetyana Utkina Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006, Україна https://orcid.org/0000-0002-6614-4133
  • Olga Nechyporenko Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006, Україна https://orcid.org/0000-0002-3954-3796
  • Yaroslav Korpan Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006, Україна https://orcid.org/0000-0002-1455-5977

DOI:

https://doi.org/10.15587/1729-4061.2020.195369

Ключові слова:

виявлення обличчя, зображення, бінаризація, масштабування, сегментація, щільнісна кластеризація

Анотація

Пропонується методика виявлення обличчя на зображенні, яка заснована на бінаризації, масштабуванні, сегментації зображення з подальшим вибором максимальної зв’язуючої компоненти, яка відповідає образу обличчя.

Сучасні методи бінаризації, масштабування та таксономічної сегментації зображень володіють одним або більше з таких недоліків: мають високу обчислювальну складність; вимагають визначення значень параметрів. Методи таксономічної сегментації зображень можуть володіти додатковими недоліками: не дозволяють виділяти шум і випадкові викиди; кластери не можуть мати різну форму та розмір, і їх кількість фіксована.

У зв’язку з цим, для підвищення ефективності методики виявлення обличчя на зображенні необхідне вдосконалення методів бінаризації, масштабування та таксономічної сегментації.

Запропоновано метод бінаризації, особливістю якого є використання фону зображення. Це дозволяє спростити процес масштабування та сегментації (оскільки всі пікселі фону представлені одним кольором), неоднорідну яскравість обличчя, і не використовувати налаштування порогу й додаткові параметри.

Запропоновано метод масштабування бінарного зображення, особливістю якого є використання середньоарифметичного фільтра з порогової обробкою та швидкого вейвлет-перетворення. Це дозволяє прискорити процес сегментації зображення приблизно в  раз, де  – параметр масштабування, і не використовувати трудомістку процедуру визначення додаткових параметрів.

Запропоновано метод сегментації бінарного масштабованого зображення, особливістю якого є використання щільнісної кластеризації. Це дозволяє відокремлювати ділянки обличчя неоднорідної яскравості від фону зображення, шуму та випадкових викидів. Також це дозволяє кластерам мати різну форму і розмір, не вимагати завдання кількості кластерів й додаткових параметрів.

Для визначення параметра масштабування в роботі були проведені численні дослідження, які встановили, що залежність часу сегментації від параметра масштабування близька до експоненційної. Також було встановлено, що при малих, якість виявлення обличчя погіршується незначно.

Запропонована методика виявлення особи на зображенні на основі бінаризації, масштабування та сегментації може використовуватися в інтелектуальних комп’ютерних системах біометричної ідентифікації особистості по зображенню обличчя

Біографії авторів

Eugene Fedorov, Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006

Доктор технічних наук, доцент

Кафедра робототехніки та спеціалізованих комп’ютерних систем

Tetyana Utkina, Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006

Кандидат технічних наук, доцент

Кафедра робототехніки та спеціалізованих комп’ютерних систем

Olga Nechyporenko, Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006

Кандидат технічних наук, доцент

Кафедра робототехніки та спеціалізованих комп’ютерних систем

Yaroslav Korpan, Черкаський державний технологічний університет бул. Шевченка, 460, м. Черкаси, Україна, 18006

Кандидат технічних наук, доцент

Кафедра робототехніки та спеціалізованих комп’ютерних систем

Посилання

  1. Nechyporenko, O. V., Korpan, Y. V. (2016). Biometric identification and authentication of persons for geometry face. Herald of Khmelnytskyi national university, 4, 133–138. Available at: http://journals.khnu.km.ua/vestnik/pdf/tech/pdfbase/2016/2016_4/(239)%202016-4-t.pdf
  2. Nechyporenko, O., Korpan, Y. (2017). Analysis of methods and technologies of human face recognition. Technology Audit and Production Reserves, 5 (2 (37)), 4–10. doi: https://doi.org/10.15587/2312-8372.2017.110868
  3. Lee, M.-T., Chang, H. T. (2011). On the pinned field image binarization for signature generation in image ownership verification method. EURASIP Journal on Advances in Signal Processing, 2011 (1). doi: https://doi.org/10.1186/1687-6180-2011-44
  4. Wagdy, M., Faye, I., Rohaya, D. (2015). Document Image Binarization Using Retinex and Global Thresholding. ELCVIA Electronic Letters on Computer Vision and Image Analysis, 14 (1). doi: https://doi.org/10.5565/rev/elcvia.648
  5. Michalak, H., Okarma, K. (2019). Improvement of Image Binarization Methods Using Image Preprocessing with Local Entropy Filtering for Alphanumerical Character Recognition Purposes. Entropy, 21 (6), 562. doi: https://doi.org/10.3390/e21060562
  6. Fedorov E., Utkina T., Rudakov K., Lukashenko A., Mitsenko S., Chychuzhko M., Lukashenko V. (2019). A Method for Extracting a Breast Image from a Mammogram Based on Binarization, Scaling and Segmentation. CEUR Workshop Proceedings, 2488, 84–98. Available at: http://ceur-ws.org/Vol-2488/paper7.pdf
  7. Kozei, A., Nikolov, N., Haluzynskyi, O., Burburska, S. (2019). Method of Threshold CT Image Segmentation of Skeletal Bones. Innovative Biosystems and Bioengineering, 3 (1), 4–11. doi: https://doi.org/10.20535/ibb.2019.3.1.154897
  8. Meng, X., Gu, W., Chen, Y., Zhang, J. (2017). Brain MR image segmentation based on an improved active contour model. PLOS ONE, 12 (8), e0183943. doi: https://doi.org/10.1371/journal.pone.0183943
  9. Pun, C.-M., An, N.-Y., Chen, C. L. P. (2012). Region-based Image Segmentation by Watershed Partition and DCT Energy Compaction. International Journal of Computational Intelligence Systems, 5 (1), 53–64. doi: https://doi.org/10.1080/18756891.2012.670521
  10. Teodorescu, H., Rusu, M. (2012). Yet Another Method for Image Segmentation Based on Histograms and Heuristics. Computer Science Journal of Moldova, 20 (2 (59)), 163–177. Available at: http://www.math.md/files/csjm/v20-n2/v20-n2-(pp163-177).pdf
  11. Selvaraj Assley, P. S. B., Chellakkon, H. S. (2014). A Comparative Study on Medical Image Segmentation Methods. Applied Medical Informatics, 34 (1), 31–45. Available at: https://ami.info.umfcluj.ro/index.php/ami/article/view/460
  12. Ren, Z. (2014). Variational Level Set Method for Two-Stage Image Segmentation Based on Morphological Gradients. Mathematical Problems in Engineering, 2014, 1–11. doi: https://doi.org/10.1155/2014/145343
  13. Ganea, E., Burdescu, D. D., Brezovan, M. (2011). New Method to Detect Salient Objects in Image Segmentation using Hypergraph Structure. Advances in Electrical and Computer Engineering, 11 (4), 111–116. doi: https://doi.org/10.4316/aece.2011.04018
  14. O’Mara, A., King, A. E., Vickers, J. C., Kirkcaldie, M. T. K. (2017). ImageSURF: An ImageJ Plugin for Batch Pixel-Based Image Segmentation Using Random Forests. Journal of Open Research Software, 5. doi: https://doi.org/10.5334/jors.172
  15. Linyao, X., Jianguo, W. (2017). Improved K-means Algorithm Based on optimizing Initial Cluster Centers and Its Application. International Journal of Advanced Network, Monitoring and Controls, 2 (2), 9–16. doi: https://doi.org/10.21307/ijanmc-2017-005
  16. Brusco, M. J., Shireman, E., Steinley, D. (2017). A comparison of latent class, K-means, and K-median methods for clustering dichotomous data. Psychological Methods, 22 (3), 563–580. doi: https://doi.org/10.1037/met0000095
  17. Zhou, N., Yang, T., Zhang, S. (2014). An Improved FCM Medical Image Segmentation Algorithm Based on MMTD. Computational and Mathematical Methods in Medicine, 2014, 1–8. doi: https://doi.org/10.1155/2014/690349
  18. Kesavaraja, D., Balasubramanian, R., Rajesh, R. S., Sasireka, D. (2011). Advanced Cluster Based Image Segmentation. ICTACT Journal on Image and Video Processing, 02 (02), 307–318. doi: https://doi.org/10.21917/ijivp.2011.0045
  19. Fu, Z., Wang, L. (2012). Color Image Segmentation Using Gaussian Mixture Model and EM Algorithm. Communications in Computer and Information Science, 61–66. doi: https://doi.org/10.1007/978-3-642-35286-7_9
  20. Giacoumidis, E., Lin, Y., Jarajreh, M., O’Duill, S., McGuinness, K., Whelan, P. F., Barry, L. P. (2019). A Blind Nonlinearity Compensator Using DBSCAN Clustering for Coherent Optical Transmission Systems. Applied Sciences, 9 (20), 4398. doi: https://doi.org/10.3390/app9204398
  21. Olugbara, O. O., Adetiba, E., Oyewole, S. A. (2015). Pixel Intensity Clustering Algorithm for Multilevel Image Segmentation. Mathematical Problems in Engineering, 2015, 1–19. doi: https://doi.org/10.1155/2015/649802
  22. Cahyono, C., Prasetyo, G., Yoza, A., Hani, R. (2014). Multithresholding in Grayscale Image Using Pea Finding Approach and Hierarchical Cluster Analysis. Jurnal Ilmu Komputer Dan Informasi, 7 (2), 83. doi: https://doi.org/10.21609/jiki.v7i2.261
  23. Wang, X., Du, J., Wu, S., Li, X., Li, F. (2013). Cluster Ensemble-Based Image Segmentation. International Journal of Advanced Robotic Systems, 10 (7), 297. doi: https://doi.org/10.5772/56769
  24. Ghahraman, B., Davary, K. (2014). Adopting Hierarchial Cluster Analysis to Improve the Performance of K-mean Algorithm. Journal of Water and Soil, 28 (3), 471–480. Available at: https://www.sid.ir/en/journal/ViewPaper.aspx?id=443469
  25. Fedorov, E., Lukashenko, V., Utkina, T., Lukashenko, A., Rudakov, K. (2019). Method for Parametric Identification of Gaussian Mixture Model Based on Clonal Selection Algorithm. CEUR Workshop Proceedings, 2353, 41–55. Available at: http://ceur-ws.org/Vol-2353/paper4.pdf
  26. Fedorov, E., Lukashenko, V., Patrushev, V., Lukashenko, A., Rudakov, K., Mitsenko, S. (2018). The Method of Intelligent Image Processing Based on a Three-Channel Purely Convolutional Neural. CEUR Workshop Proceedings, 2255, 336–351. Available at: http://ceur-ws.org/Vol-2255/paper30.pdf
  27. Yu, C., Dai, F. (2016). Mobile Camera based Motion Segmentation by Image Resizing. Journal of Robotics, Networking and Artificial Life, 3 (2), 96. doi: https://doi.org/10.2991/jrnal.2016.3.2.7
  28. Lemke, O., Keller, B. (2018). Common Nearest Neighbor Clustering – A Benchmark. Algorithms, 11 (2), 19. doi: https://doi.org/10.3390/a11020019
  29. Xu, L., Yan, Y., Cheng, J. (2017). Guided Filtering For Solar Image/Video Processing. Solar-Terrestrial Physics, 3 (2), 9–15. doi: https://doi.org/10.12737/stp-3220172
  30. Konsti, J., Lundin, M., Linder, N., Haglund, C., Blomqvist, C., Nevanlinna, H. et. al. (2012). Effect of image compression and scaling on automated scoring of immunohistochemical stainings and segmentation of tumor epithelium. Diagnostic Pathology, 7 (1). doi: https://doi.org/10.1186/1746-1596-7-29
  31. Jeyaram, B. S., Raghavan, R. (2014). New CA Based Image Encryption-Scaling Scheme Using Wavelet Transform. Journal of Systemics, Cybernetics and Informatics, 12 (3), 66–71. Available at: https://pdfs.semanticscholar.org/4d20/2d302da9e63a34570fb34bdac3c7e43739df.pdf?_ga=2.263733902.320808902.1581593117-1908018850.1550590803

##submission.downloads##

Опубліковано

2020-02-29

Як цитувати

Fedorov, E., Utkina, T., Nechyporenko, O., & Korpan, Y. (2020). Розробка методики виявлення обличчя на зображенні на основі методів бінаризації, масштабування і сегментації. Eastern-European Journal of Enterprise Technologies, 1(9 (103), 23–31. https://doi.org/10.15587/1729-4061.2020.195369

Номер

Том 1 № 9 (103) (2020): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2020 Eugene Fedorov, Tetyana Utkina, Olga Nechyporenko, Yaroslav Korpan

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.