211service.com
Eine Suchmaschine zum Auffinden von Gesichtern
Heute gibt es mehr minderwertige Videokameras – Überwachungs- und Verkehrskameras, Handykameras und Webcams – als je zuvor. Aber moderne Suchmaschinen können Objekte in klaren, statischen Bildern nicht sehr zuverlässig identifizieren, geschweige denn in körnigen YouTube-Clips. Ein neuer Softwareansatz von Forschern der Carnegie Mellon University könnte es erleichtern, das Gesicht einer Person in einem Video mit niedriger Auflösung zu identifizieren. Die Software könnte verwendet werden, um Kriminelle oder vermisste Personen zu identifizieren, oder sie könnte in Videosuchmaschinen der nächsten Generation integriert werden, sagen die Forscher.
Verschwommene Gesichter : Ein neues Gesichtserkennungssystem von Forschern von Carnegie Mellon funktioniert sogar bei Bildern mit niedriger Auflösung.
Die heutigen Gesichtserkennungssysteme funktionieren eigentlich recht gut, sagt Pablo Hennings-Yeomans, ein Forscher bei Carnegie Mellon, der das System entwickelt hat – das heißt, Forscher können die Beleuchtung, den Winkel des Gesichts und die Art der verwendeten Kamera steuern. Die neue Wissenschaft der Gesichtserkennung beschäftigt sich mit Umgebungen ohne Einschränkungen, sagt er. Unsere Arbeit konzentriert sich insbesondere auf das Problem der Lösung.
Damit ein Gesichtserkennungssystem eine Person identifizieren kann, erklärt Hennings-Yeomans, muss es zunächst an einer Gesichtsdatenbank trainiert werden. Für jedes Gesicht verwendet das System einen sogenannten Merkmalsextraktionsalgorithmus, um Muster in der Anordnung von Bildpixeln zu erkennen; Im Laufe des Trainings lernt es, einige dieser Muster mit körperlichen Merkmalen zu assoziieren: zum Beispiel nach unten geneigte Augen oder ein vorstehendes Kinn.
Das Problem, sagt Hennings-Yeomans, sei, dass bestehende Gesichtserkennungssysteme Gesichter nur in Bildern mit derselben Auflösung erkennen können, mit denen die Systeme trainiert wurden. Damit haben Forscher zwei Möglichkeiten, Bilder mit niedriger Auflösung zu identifizieren: Sie können entweder ihre Systeme mit Bildern mit niedriger Auflösung trainieren, was auf lange Sicht zu schlechten Ergebnissen führt, oder sie können den zu erstellenden Bildern Pixel oder eine Auflösung hinzufügen identifiziert.
Letzterer Ansatz, der durch sogenannte Super-Resolution-Algorithmen erreicht wird, sei zwar verbreitet, aber die Ergebnisse seien gemischt, sagt Hennings-Yeomans. Ein Super-Resolution-Algorithmus trifft Annahmen über die Form von Objekten in einem Bild und verwendet sie, um Objektgrenzen zu schärfen. Auch wenn die Ergebnisse für das menschliche Auge beeindruckend erscheinen mögen, stimmen sie nicht gut mit den Mustern überein, auf die Gesichtserkennungssysteme trainiert wurden. Super-Resolution gibt Ihnen ein interpoliertes Bild, das besser aussieht, sagt Hennings-Yeomans, aber es wird Verzerrungen wie Rauschen oder künstliche [Features] aufweisen.
Mach mir ein Streichholz : Die Sondenbilder in der oberen Reihe werden verwendet, um eine Datenbank mit gespeicherten Galeriebildern abzufragen, ähnlich wie Schlüsselwörter, die in eine Websuchmaschine eingegeben werden. Wenn Gesichter wie entlang der Diagonale übereinstimmen, weist das resultierende zusammengesetzte Bild glatte Merkmale auf. Verschwommene Merkmale weisen auf eine Nichtübereinstimmung hin.
Zusammen mit B. Vijaya Kumar, Professor für Elektro- und Computertechnik bei Carnegie Mellon, und Simon Baker von Microsoft Research hat Hennings-Yeomans einen Ansatz getestet, der Gesichtserkennungssysteme verbessert, die standardmäßige Superauflösung verwenden. Anstatt hochauflösende Algorithmen auf ein Bild anzuwenden und die Ergebnisse durch ein Gesichtserkennungssystem laufen zu lassen, entwickelten die Forscher eine Software, die Aspekte eines superauflösenden Algorithmus und des Merkmalsextraktionsalgorithmus eines Gesichtserkennungssystems kombiniert. Um eine Übereinstimmung für ein Bild zu finden, führt das System es zunächst durch diesen Zwischenalgorithmus, der kein Bild rekonstruiert, das für das menschliche Auge besser aussieht, wie dies bei superauflösenden Algorithmen der Fall ist. Stattdessen extrahiert es Merkmale, die speziell vom Gesichtserkennungssystem gelesen werden können. Auf diese Weise werden die Verzerrungen vermieden, die für allein verwendete Superauflösungsalgorithmen charakteristisch sind.
In früheren Arbeiten zeigten die Forscher, dass der Zwischenalgorithmus die Gesichtserkennungsergebnisse verbessert, wenn Übereinstimmungen für ein einzelnes Bild gefunden werden. In einem Papier, das Ende dieses Monats auf der IEEE International Conference on Biometrics: Theory, Systems, and Applications präsentiert wird, zeigen die Forscher, dass das System in einigen Fällen sogar noch besser funktioniert, wenn mehrere Bilder oder Frames, sogar von verschiedenen Kameras, verwendet werden .
Der Ansatz sei vielversprechend, sagt Pawan Sinha, Professor für Gehirn- und Kognitionswissenschaften am MIT. Das Problem der Bilder und Videos mit niedriger Auflösung ist zweifellos wichtig und wurde von keinem der mir bekannten kommerziellen Gesichtserkennungssysteme angemessen angegangen, sagt er. Insgesamt gefällt mir die Arbeit.
Letztendlich, sagt Hennings-Yeomans, müssten superauflösende Algorithmen noch verbessert werden, aber er glaubt nicht, dass es zu viel Arbeit kosten würde, den Ansatz seiner Gruppe beispielsweise auf ein Web-Tool anzuwenden, das YouTube-Videos durchsucht. Sie werden Gesichtserkennungssysteme für die Bildwiederherstellung sehen, sagt er. Sie werden nicht mit Textabfragen googlen, sondern indem Sie ein Bild angeben.