RASW: वियोला-जोन्स विधि में सुधार

अनुवादक से:

आपका दिन शुभ हो!
मैंने हाल ही में वियोला-जोन्स डिटेक्टर की गति को बढ़ाने के तरीकों की तलाश की और 2013 के एक दिलचस्प लेख आरएएसडब्ल्यू: रन-टाइम एडेप्टिव स्लाइडिंग विंडोो इम्प्रूवमेंट वियोला-जोन्स ऑब्जेक्ट डिटेक्शन में आया। यह एक स्कैनिंग विंडो और कैस्केडिंग क्लासिफायर के सिद्धांत के आधार पर डिटेक्टरों के प्रदर्शन में सुधार करने के लिए एक प्रभावी दृष्टिकोण प्रस्तुत करता है। मुझे रूसी में इस दृष्टिकोण का विवरण नहीं मिला और इस अंतर को भरने का फैसला किया। इस अनुवाद में, मैंने वियोला-जोन्स एल्गोरिथ्म के वर्णन को छोड़ दिया, क्योंकि इसके बारे में पहले ही बहुत कुछ कहा जा चुका है, जिसमें habrahabr.ru/post/133826 भी शामिल है।

RASW: एक रन-टाइम एडेप्टिव स्लाइडिंग विंडो्टो में सुधार वियोला-जोन्स ऑब्जेक्ट डिटेक्शन

फ्रांसेस्को कोमाची, सैंडर स्टुइजक, ट्वान बास्टेन और हेंक कॉर्पोरल
इलेक्ट्रॉनिक सिस्टम ग्रुप, आइंडहोवन प्रौद्योगिकी विश्वविद्यालय, नीदरलैंड
ff.comaschi, s.stuijk, aabasten, h.corporaalg@tue.nl

अमूर्त

छवियों में वस्तुओं का पता लगाने के लिए एल्गोरिदम में, सबसे लोकप्रिय वॉयला - जोन्स विधि है जो ओपनसीवी पुस्तकालय में लागू की गई है। फिर भी, स्कैनिंग विंडो के सिद्धांत पर आधारित अन्य डिटेक्टरों में, संसाधित छवि के आकार के साथ आवश्यक गणना की मात्रा बढ़ जाती है, जो वास्तविक समय में छवियों को संसाधित करते समय अच्छा नहीं होता है। इस लेख में, हम एक प्रभावी दृष्टिकोण का प्रस्ताव करते हैं - प्रसंस्करण खिड़की को स्थानांतरित करने के चरण को बदलते समय - सटीकता की हानि के बिना गति बढ़ाने के लिए। हम वायोला - जोन्स विधि का उपयोग करके प्रस्तावित दृष्टिकोण की प्रभावशीलता को भी प्रदर्शित करते हैं। OpenCV लाइब्रेरी में डिटेक्टर के कार्यान्वयन के साथ तुलना करने पर, हमें सटीकता में हानि के बिना 2.03 गुना तक की गति वृद्धि (फ्रेम / एस) मिली।

परिचय

अर्धचालक प्रौद्योगिकी और कंप्यूटर आर्किटेक्चर के क्षेत्र में नवाचार कंप्यूटर दृष्टि के उपयोग के लिए वास्तविक नए परिदृश्य बनाते हैं, जिसमें वास्तविक समय में स्थिति का विश्लेषण करने की क्षमता महत्वपूर्ण है। एक वास्तविक समय के कार्य का एक अच्छा उदाहरण जो कई क्षेत्रों में आवेदन पाता है, एक छवि में किसी वस्तु का पता लगाना है। ऐसी वस्तु अक्सर व्यक्ति [1] का चेहरा होती है। फिलहाल, चेहरे का पता लगाने के लिए कई तरह के दृष्टिकोण हैं। 2001 में वियोला और जोन्स [2] द्वारा प्रस्तावित विधि इस क्षेत्र में एक वास्तविक सफलता थी। इस पद्धति ने अपनी उच्च सटीकता और गंभीर सैद्धांतिक आधार के कारण बहुत लोकप्रियता हासिल की है। हालांकि, गणना की जटिलता अभी भी इस पद्धति को शक्तिशाली प्लेटफार्मों के लिए वास्तविक समय की आवश्यकताओं (उदाहरण के लिए, बैंडविड्थ) को संतुष्ट करने के लिए एक गंभीर पर्याप्त कार्य बनाती है। छवियों की स्कैनिंग गति दृढ़ता से स्कैनिंग विंडो के चरण आकार पर निर्भर करती है strongly - पिक्सल की संख्या जिसके द्वारा स्कैनिंग विंडो को स्थानांतरित किया जाता है। अधिकांश उपलब्ध कार्यान्वयन में, चरण स्थिर होता है और संकलन चरण पर निर्धारित होता है, जिसका अर्थ है कि खिड़की को निरंतर मूल्य द्वारा स्थानांतरित किया जाता है और छवि सामग्री पर निर्भर नहीं करता है। इस लेख में, हम एक रन-टाइम एडेप्टिव स्लाइडिंग विंडो (RASW) का प्रस्ताव करते हैं, जो रन समय में स्कैन चरण को बदलकर एल्गोरिथ्म सटीकता से समझौता किए बिना थ्रूपुट में सुधार करता है।

मौजूदा समाधानों का अवलोकन

हाल के वर्षों में, उच्च थ्रूपुट के साथ वायोला-जोन्स फेस डिटेक्टर के कई हार्डवेयर कार्यान्वयन प्रस्तावित किए गए हैं [3] - [5]। हालांकि, ऐसे समाधानों के दो मुख्य नुकसान हैं:
1) उन्हें महत्वपूर्ण इंजीनियरिंग प्रयास की आवश्यकता होती है, जो उच्च-समय की लागत का अर्थ है;
2) वे पर्याप्त लचीले नहीं हैं, जो सिस्टम को एप्लिकेशन परिदृश्य में किसी भी बदलाव के लिए अनुकूलित करना असंभव बनाता है।

एल्गोरिथ्म को गति देने का एक और तरीका जीपीयू [6] पर कार्यान्वयन का उपयोग करना है - [8]। हालांकि, GPU द्वारा खपत ऊर्जा की मात्रा एम्बेडेड सिस्टम में उपयोग के लिए इस समाधान को अव्यवहारिक बनाती है। हालाँकि, इस आलेख में प्रस्तावित अनुकूलन के साथ संयोजन में GPU कार्यान्वयन का उपयोग किया जा सकता है। विशेष रूप से, समानांतरकरण का उपयोग सुविधाओं की गणना करने और विभिन्न आकारों की खिड़कियों को स्कैन करने के लिए किया जा सकता है। इसके बारे में अधिक जानकारी [6] में लिखी गई है।

[९] में, लेखक OpenCV के कार्यान्वयन के आधार पर एक समाधान का प्रस्ताव करते हैं, जो एम्बेडेड सिस्टम के लिए अनुकूलित है, लेकिन कार्यान्वयन स्वयं ही अपरिवर्तित रहता है। सटीकता से समझौता किए बिना आवश्यक संगणना की मात्रा को कम करके हमारा एल्गोरिथम अनुकूलन बेहतर होता है।

ऑब्जेक्ट डिटेक्शन सिस्टम में पहला चरण आमतौर पर छवि उम्मीदवार क्षेत्रों की तलाश में दृश्य को स्कैन करने के लिए होता है। इस कदम में बहुत अधिक संगणना है। लैम्पर और अन्य में [10] एक विश्लेषणात्मक दृष्टिकोण का प्रस्ताव करते हैं, जिसे कुशल सबविंडो खोज के रूप में जाना जाता है, जो किसी वस्तु का स्थानीयकरण सुनिश्चित करता है। हालांकि, प्रस्तावित दृष्टिकोण विशेष रूप से ऑब्जेक्ट के स्थानीयकरण से संबंधित है, जिसका अर्थ है कि छवि में मौजूद वस्तुओं की संख्या पहले से ज्ञात होनी चाहिए। इस तरह के कार्य में इंटरनेट पर एक छवि की खोज के रूप में इस तरह का दृष्टिकोण बेहद प्रभावी हो सकता है, लेकिन यह [10] से स्पष्ट नहीं है कि छवि पर ब्याज की वस्तु के कई उदाहरण मौजूद हैं तो क्या होगा। इसके अलावा, ईएसएस को लागू करने के लिए, एक निश्चित तरीके से एक बाउंडिंग फ़ंक्शन का निर्माण किया जाना चाहिए, और कैस्केड क्लासिफायर के लिए ऐसा फ़ंक्शन [10] में प्रस्तुत नहीं किया गया था। इस आलेख में प्रस्तुत दृष्टिकोण का उद्देश्य क्लासिफायर के वर्गीकरण के लिए है, इसके लिए अतिरिक्त जानकारी की आवश्यकता नहीं है (जैसे कि एक सीमित कार्य), और किसी भी संख्या की वस्तुओं के साथ छवियों के लिए उपयोग किया जा सकता है।

[११] में, लेखक वस्तुओं की त्वरित पहचान के लिए मानव मॉडल में दृश्य खोज के आधार पर एक विधि पर विचार करते हैं। OpenCV में वियोला-जोन्स डिटेक्टर के साथ अपने काम की तुलना करते हुए, सटीकता में मामूली कमी के कारण उन्हें औसतन 2 गुना त्वरण मिला। कार्य के परिणाम केवल एक छवि के लिए प्रस्तुत किए जाते हैं, इसलिए यह निर्धारित करना मुश्किल है कि बड़ी संख्या में छवियों पर परीक्षण के दौरान संकेतक संरक्षित होंगे या नहीं। इसके अलावा, दृष्टिकोण केवल एक चेहरे वाले चित्रों के साथ उपयोग करने के लिए प्रस्तावित है और यह स्पष्ट नहीं है कि इस दृष्टिकोण को कई चेहरे के साथ कैसे लागू किया जाए। जबकि परिणाम विभिन्न स्केलिंग कारकों के लिए दिए गए हैं, छवि स्कैनिंग पर अन्य मापदंडों के प्रभाव को व्यवस्थित रूप से अध्ययन नहीं किया गया है। हमारे दृष्टिकोण के परिणाम व्यक्तियों के एक मानक आधार के लिए प्रस्तुत किए जाते हैं और विभिन्न मापदंडों के प्रभाव का सावधानीपूर्वक अध्ययन किया गया है।

[१२] में, लेखक स्कैनिंग विंडो के स्लाइडिंग चरण में वृद्धि के साथ डिटेक्टर के कैस्केड में छूटी हुई चूक को कम करने के लिए एक दिलचस्प विधि का प्रस्ताव करते हैं। लेखकों ने कई चेहरे के आधारों पर आशाजनक परिणाम प्रस्तुत किए। हालांकि, [12] में प्रस्तावित दृष्टिकोण को स्थान निर्धारण के लिए ऑफ-लाइन निर्णय वृक्ष सीखने की आवश्यकता होती है। इसके अलावा, रुचि के बिंदुओं का उपयोग अतिरिक्त मात्रा में संगणना को जोड़ता है, जो स्मृति सीमाओं के मामले में उपयोग करना मुश्किल बनाता है। इस लेख में प्रस्तुत एल्गोरिथम अनुकूलन रन टाइम पर उपलब्ध जानकारी पर आधारित है; इसके लिए अतिरिक्त प्रशिक्षण की आवश्यकता नहीं होती है और यह मानक स्कैनिंग विंडो सिद्धांत के लिए महत्वपूर्ण गणना नहीं करता है।

RASW

आमतौर पर, वियोला-जोन्स पद्धति के कार्यान्वयन में, स्कैनिंग विंडो (या छवि) के आकार में प्रत्येक परिवर्तन के साथ, यह विंडो स्कैनिंग चरण moves के साथ छवि के साथ चलती है। हम क्रमशः x अक्ष और y अक्ष, यानी, step _X और respectively _{Y, के} साथ चरण आकार को भेद देंगे। सादगी के लिए, हम संकेतन not को छोड़ देते हैं, ऐसे मामलों के लिए जब Δ _X = leave _Y। प्रभाव स्कैनिंग कदम का पता लगाने की सटीकता और थ्रूपुट दोनों को प्रभावित करता है। एक बड़ा मूल्य थ्रूपुट बढ़ाता है, लेकिन एक ही समय में मान्यता की गुणवत्ता में गिरावट आती है, क्योंकि कुछ वस्तुओं को छोड़ दिया जा सकता है। यदि स्कैनिंग विंडो को स्थानांतरित करने के लिए हम ऐसी कसौटी पाते हैं कि खिड़की उन क्षेत्रों में तेजी से आगे बढ़ेगी जिनमें ऑब्जेक्ट नहीं होते हैं, और ऑब्जेक्ट के तत्काल आसपास के क्षेत्र में धीमी होती है, तो हम गुणवत्ता से समझौता किए बिना पूरी छवि की स्कैनिंग गति बढ़ा सकते हैं। इसके अलावा, छवि के सजातीय क्षेत्रों में खिड़की को तेजी से आगे बढ़ाते हुए, हम पृष्ठभूमि छवि में वांछित वस्तु का पता लगाने के लिए क्लासिफायरियर की संभावना को कम कर देते हैं। अधिकांश मौजूदा कार्यान्वयन में, चरण का आकार एक निश्चित मान है, जिसमें Δ = 1 या Δ = 2 है, क्योंकि उच्च मूल्यों के परिणामस्वरूप खराब गुणवत्ता होती है।

हमारे विश्लेषण में छवि क्षेत्र में एक चेहरे की उपस्थिति और कैस्केड में क्लासिफायर नंबर के बीच एक संबंध पाया गया, जिस पर यह विंडो खारिज कर दी गई है (हम इस नंबर को निकास चरण कहेंगे)। विशेष रूप से, केवल पृष्ठभूमि वाले क्षेत्रों में, खिड़की को कैस्केड के पहले चरणों में खारिज कर दिया जाता है, और सामान्य तौर पर, चेहरे के करीब, बाहर निकलने का स्तर जितना अधिक होता है।

चित्र 1


चित्रा 1 में एक परीक्षण छवि शामिल है और इस छवि के लिए प्रत्येक स्कैनिंग विंडो के लिए आउटपुट चरण मान दर्ज किए गए थे। यदि खिड़की के ऊपरी बाएं कोने में निर्देशांक (x, y) है, तो पिक्सेल को चमक के साथ आउटपुट चरण के आनुपातिक रूप से प्रदर्शित किया जाता है। दूसरे शब्दों में, आउटपुट स्टेप जितना अधिक होगा, पिक्सल उतना ही गहरा होगा।

हमारे विश्लेषण से पता चलता है कि खिड़की को कम निकास कदम के साथ आसानी से एक बड़े कदम पर स्थानांतरित किया जा सकता है, क्योंकि ज्यादातर मामलों में इसका मतलब है कि इस क्षेत्र में वांछित वस्तुएं नहीं हैं। और जब आउटपुट कदम अधिकतम मूल्य तक पहुंच जाता है, तो यह स्कैनिंग कदम को कम करने के लिए समझ में आता है ताकि वांछित वस्तु को याद न करें। मुख्य विचार छवि के क्षेत्रों पर कम समय बिताना है जो वांछित वस्तुओं को शामिल नहीं करने की अत्यधिक संभावना है। प्रस्तावित दृष्टिकोण हमें स्थानिक डेटा इलाके का उपयोग करके निराशाजनक क्षेत्रों को छोड़ने की अनुमति देता है। भले ही त्याग किए गए क्षेत्र सबसे कम्प्यूटेशनल रूप से महंगे नहीं थे, लेकिन खिड़कियों की संख्या में महत्वपूर्ण कमी से गुणवत्ता को प्रभावित किए बिना, प्रत्येक छवि का तेजी से प्रसंस्करण होता है। यह विशेष रूप से फायदेमंद है खिड़की को सीधे छोड़ने से, आप सबविंडो की छवि के प्रारंभिक सामान्यीकरण से बच सकते हैं, जो एक महंगा ऑपरेशन है। यह सामान्यीकरण वियोला-जोन्स विधि [2], [9] में विभिन्न प्रकाश व्यवस्था की स्थितियों के प्रभाव को कम करने के लिए आवश्यक है।

चित्र 2


चित्रा 2 आरएएसडब्ल्यू दृष्टिकोण के लाभों का चित्रमय विवरण प्रदान करता है। ड्राइंग को अधिक पठनीय बनाने के लिए, हम x- अक्षों (बाएं) और y (दाएं) के साथ दिशाओं को अलग करेंगे। ग्रे ब्लॉक 204 से 213 (x अक्ष) और छवि में दिखाए गए चित्र के 114 से 122 (y अक्ष) तक पिक्सेल बढ़े हुए हैं। ३ (दाएं)। स्थिति में काला पिक्सेल (209, 117) चित्र 1 में पाए गए निचले दाएं चेहरे से मेल खाता है। चित्र 4 में दिखाए गए प्रत्येक दृष्टिकोण के लिए, संगत ज्यामितीय आकार पिक्सेल में स्थित है जहां स्कैनिंग विंडो स्थित है। चित्रा 2 (बाएं) में हम देखते हैं कि कैसे, एक स्थिर कदम 2 _X = 2 या ( _X = 3 लेते हुए, डिटेक्टर स्कैनिंग विंडो को उस स्थान पर रखने में सक्षम नहीं है जहां चेहरा मौजूद है। आरएएसडब्ल्यू दृष्टिकोण चेहरे से संपर्क करते समय स्वचालित रूप से चरण आकार approach _{एक्स को} कम कर देता है, जिससे आप खिड़की को ठीक से रख सकते हैं। वही व्यवहार अंजीर में देखा जा सकता है। 4 (दाएं), इस अंतर के साथ कि इस मामले में एक स्थिर कदम 3 _Y = 3 भी आपको खिड़की को ठीक से रखने की अनुमति देता है।

एल्गोरिथम 1


एल्गोरिथम 1 आरएएसडब्ल्यू के कार्यान्वयन का प्रतिनिधित्व करता है। हर बार स्कैनिंग विंडो को स्थानांतरित किया जाता है, इसके लिए एक कैस्केडिंग क्लासिफ़ायर लॉन्च किया जाता है, जो आउटपुट स्तर (लाइन 7) लौटाता है। यदि आउटपुट चरण n के बराबर है - कैस्केड में क्लासिफायर की संख्या - तो वांछित वस्तु पाई जाती है (पंक्ति 8) और स्थिति, वर्तमान विंडो का आकार वेक्टर वी (पंक्ति 10) में रखा गया है। विंडो की पिछली स्थिति के आउटपुट चरण (यह y दिशा के लिए भी सही है) के आधार पर, विंडो स्टेप 3 अलग-अलग मान ले सकता है: step _{x, मैक्स} , _{min x, मिन} और _{, x, नोम} । मानों को and _X और _{to y को} सही मानों में निर्दिष्ट करने के लिए, हमें विंडो की पिछली स्थिति के आउटपुट स्तर के बारे में जानकारी संग्रहीत करनी चाहिए। यह जानकारी सीधे चर Δ _X और। _Y में संग्रहीत की जा सकती है। हमारे कार्यान्वयन में, विंडो ऊपर से नीचे तक बाएं से दाएं चलती है, इसलिए x दिशा से संबंधित जानकारी पूर्णांक चर ger _X में संग्रहीत की जा सकती है। दूसरी ओर, जब खिड़की लाइन के अंत तक पहुँचती है, तो y अक्ष के साथ कदम के बारे में जानकारी पूरी लाइन के लिए संग्रहीत की जानी चाहिए, अर्थात, is _y पूर्णांकों की एक सरणी है। एल्गोरिथ्म के प्रत्येक पुनरावृत्ति पर, and _X और x _y [x] एक-एक करके घटते हैं, और जब दोनों चर शून्य के बराबर हो जाते हैं, तो वर्तमान विंडो को क्लासिफायर के इनपुट में खिलाया जाता है। यदि केवल एक कदम मूल्य इस स्थिति तक पहुंचता है, तो यह चर न्यूनतम मूल्य (लाइनें 20 और 22) के साथ आरम्भ किया जाता है। एक to मूल्य से दूसरे (दोनों दिशाओं के लिए) का संक्रमण चार थ्रेशोल्ड मानों के आधार पर रन टाइम पर निर्धारित किया जाता है:, _{x, t1} , t _{x, t2} ,, _{y, t1} ,, _{y, t2} । इन मापदंडों को संकलन के दौरान सेट किया जाता है और वे set _{x, t1} <and _{x, t2} और _{, y, t1} < _{, y, t2 के} साथ 0 से n + 1 तक मान ले सकते हैं। जब चरण constant _x स्थिर और _{, x, मिनट} ( _{, x, t1} = 1 _{x, t2} = 0),, _{x, nom} (Δ _{x, t1} = 0, Δ _{x, t2} = n +) के बराबर होता है तो हम उस विशेष मामले को ध्यान में रखते हैं। 1) या) _{x, अधिकतम} Δ _{x, t1} = n + 1)। चरण _{is y के} लिए भी यही सच है। संक्षिप्तता के लिए, एल्गोरिथ्म 1 की 12-18 पंक्तियों में, हम केवल x अक्ष से संबंधित कोड प्रस्तुत करते हैं, लेकिन कुछ संशोधनों के साथ एक समान कोड को y अक्ष पर लागू किया जाना चाहिए। विभिन्न थ्रेशोल्ड मान अलग-अलग थ्रूपुट-सटीकता अनुपात प्रदान करते हैं। अन्य अनुपात भी इन अनुपातों को प्रभावित करते हैं: स्केलिंग कारक s, मर्ज थ्रेशोल्ड affect। हमने निम्न मानों को चुना:, _{x, max} = 3, _{nom x, nom} = 2,, _{x, min} = 1, क्योंकि उच्च मान डिटेक्टर की गुणवत्ता को नीचा दिखाते हैं।

परिणाम

इस खंड में, हम निश्चित और अनुकूली चरणों के साथ कार्यान्वयन की तुलना करके अपने दृष्टिकोण की प्रभावशीलता का प्रदर्शन करेंगे। प्रयोगों को क्वाड-कोर इंटेल कोर i7 पर 3.07 गीगाहर्ट्ज की घड़ी आवृत्ति के साथ आयोजित किया गया था। व्यक्तियों के आधार CMU + MIT का उपयोग किया गया था [15]।

निम्नलिखित कार्यान्वयन पर विचार किया गया था: (I) स्थिर: Δ _X और constant _Y स्थिर और 1, 2, या 3 के बराबर हैं (कुल 9 संयोजन); (II) OpenCV 1: if _X = 2 पूरी छवि के लिए, यदि पिछले चरण में कोई चेहरा नहीं पाया गया था, अन्यथा to _X घट जाता है 1. remains _Y स्थिर और 1 के बराबर रहता है; (III) ओपनसीवी 2:) = 1 यदि वर्तमान थम्बनेल का आकार मूल छवि के आकार से 2 गुना कम है, अन्यथा, = 2 अन्यथा। Both _X और _{change Y} दोनों _{बदलते हैं} ।

ध्यान दें कि हमारी तुलना के लिए उपयोग किए गए पहले 2 दृष्टिकोण (स्थिर और OpenCV 1) RASW दृष्टिकोण के विशेष मामले हैं। विशेष रूप से, स्थिर दृष्टिकोण के प्रत्येक संयोजन को संबंधित मूल्यों के लिए each _t2 और Δ_t1 असाइन करके एल्गोरिथम 1 से प्राप्त किया जा सकता है। दूसरा दृष्टिकोण (OpenCV 1) t _{x, t1} = 0,, _{x, t2} = n, n _{y, t1} = _{, y, t1} = 0 सेट करके प्राप्त किया जा सकता है।

आरएएसडब्ल्यू के लाभों को समझाने के लिए, हमने दो अन्य मापदंडों के कई मूल्यों के लिए विभिन्न तरीकों का परीक्षण किया: स्केलिंगफैक्टर एस और मर्जिंग थ्रेसहोल्ड of। हमने निम्नलिखित पैरामीटर चुने हैं: s ∈ {1.1, 1.2, 1.3, 1.4, 1.5} और γ ∈ {1, 2, 3, 4, 5}। इन मापदंडों के बड़े मूल्य सटीकता को कम करते हैं। एक्स के लिए पांच संभावित मूल्यों के साथ, possible के लिए पांच मान, Δ (नौ स्थिर संयोजनों और दो ओपनसीवी दृष्टिकोणों को चुनने के लिए ग्यारह अलग-अलग दृष्टिकोण), हमारे पास अंततः चयनित दृष्टिकोणों के लिए 275 अलग-अलग कॉन्फ़िगरेशन हैं। RASW के लिए, थ्रेशोल्ड पैरामीटर के लिए विभिन्न विकल्प हैं t _{x, t1} , AS _{x, t2} ,, _{y, t1} ,, _{y, t2} । चूंकि चयनित क्लासिफायर के चरणों की संख्या n = 25 है, इसलिए उचित समय में हमारी पद्धति का कठोर परीक्षण करने के लिए, हम पैरामीटर मानों को सीमा [0] में लेते हैं; एन + १]। विशेष रूप से, particular _{x, t1} , t _{x, t2} , t _{y, t1} ,, _{y, t2} t {0, 5, 10, 15, 20, 25, 26}, जो प्रत्येक दिशा के लिए 28 संभावित संयोजनों की ओर जाता है। S और γ के संभावित मूल्यों को देखते हुए, हमें कुल 19,600 कॉन्फ़िगरेशन मिलते हैं।

प्रस्तावित एल्गोरिथ्म के प्रदर्शन का विश्लेषण करने के लिए, हम दो मैट्रिक्स का उपयोग करते हैं जो अक्सर ऑब्जेक्ट डिटेक्शन एल्गोरिदम की तुलना करते समय उपयोग किए जाते हैं: याद और सटीकता। उन्हें निम्नानुसार परिभाषित किया गया है:

;

जहां टीपी सही ढंग से परिभाषित वस्तुओं की संख्या है, एफएन मिस्ड ऑब्जेक्ट की संख्या है, एफपी झूठी सकारात्मक की संख्या है। बनाए गए सभी कॉन्फ़िगरेशनों में, हम केवल तथाकथित पारेतो अंक दिखाते हैं, जो स्थानीय इष्टतम समाधान हैं जो प्रोजेक्ट स्पेस में सभी इष्टतम समझौता तय करते हैं [17] (यह सुनिश्चित करने के लिए कि हमारे परिणाम पारंपरिक पारेतो पॉइंट परिभाषा [17] के अनुरूप हैं, हम 1 का उपयोग करते हैं) याद करने के बजाय याद रखें, 1 - परिशुद्धता के बजाय सटीक। इस प्रकार, सैद्धांतिक रूप से, सबसे अच्छा कॉन्फ़िगरेशन मूल से मेल खाता है)। एक कॉन्फ़िगरेशन दूसरे कॉन्फ़िगरेशन पर प्रबल होता है यदि यह कम से कम प्रत्येक संकेतक में खराब नहीं होता है। हम केवल उन कॉन्फ़िगरेशनों पर विचार करेंगे, जिन पर कोई अन्य कॉन्फ़िगरेशन नहीं है। इस तरह के विन्यास का सेट Pareto न्यूनतम है। इस सेट के सभी तत्व पेरेटो पॉइंट हैं।

चित्र 3


अंजीर में। चित्रा 3 (ए) बुनियादी (स्थिर, OpenCV 1, OpenCV 2) और RASW 2-आयामी कॉल / सटीकता (रिकॉल / सटीक) स्थान के लिए प्राप्त Pareto अंक दिखाता है। बुनियादी कार्यान्वयन के विन्यासों के पारेतो-न्यूनतम सेट में 27 पारेटो अंक होते हैं, जबकि आरएएसडब्लू दृष्टिकोण के पारेतो-न्यूनतम सेट में 48 प्यारेटो बिंदु होते हैं। अंजीर में। 3 (ए) हम देख सकते हैं कि बुनियादी दृष्टिकोणों के प्रत्येक पारेटो-न्यूनतम कॉन्फ़िगरेशन के लिए, एक ही सटीकता और समान (या बेहतर) समीक्षा के साथ आरएएसडब्ल्यू कॉन्फ़िगरेशन पा सकते हैं।

एम्बेडेड सिस्टम के लिए, जहां छवियों को वास्तविक समय में संसाधित किया जाना चाहिए, थ्रूपुट का अत्यधिक महत्व है - प्रति सेकंड संसाधित फ्रेम की संख्या (एफपीएस)।थ्रूपुट को ध्यान में रखते हुए पेरेटो-न्यूनतम समाधानों की कल्पना करने के लिए, हम एफ 1-स्कोर, अक्सर उपयोग की जाने वाली मीट्रिक का उपयोग करेंगे जो सटीकता और प्रतिक्रिया दोनों को जोड़ती है [18]। एफ 1-स्कोर को प्रतिक्रिया और सटीकता का भारित औसत मूल्य माना जा सकता है, सबसे अच्छे मामले में यह 1 का मूल्य लेता है, और सबसे खराब - 0 में



और अंजीर। 3 (बी) 2-आयामी अंतरिक्ष एफ 1-स्कोर / थ्रूपुट (हम 1 - एफ 1-स्कोर और 1 / थ्रूपुट बैंडविड्थ का उपयोग करते हैं, ताकि सैद्धांतिक रूप से इष्टतम समाधान कुल्हाड़ियों की शुरुआत के साथ मेल खाता है) के लिए बुनियादी और आरएएसडब्ल्यू दृष्टिकोण के लिए प्राप्त पेरेटो अंक प्रस्तुत करता है। बेस क्रियान्वयन के विन्यासों के परेतो-न्यूनतम सेट में 16 Pareto बिंदु शामिल हैं जबकि RASW - सेट। अंजीर से। 3 (बी) हम देखते हैं कि किसी दिए गए सटीकता के लिए, आरएएसडब्ल्यू दृष्टिकोण हमेशा कम से कम एक कॉन्फ़िगरेशन प्रदान करता है जो कम से कम एक ही थ्रूपुट प्रदान करता है आधार (या बेहतर) सटीकता के साथ आधार कार्यान्वयन से कॉन्फ़िगरेशन।
चित्र 3 के परिणाम बताते हैं कि RASW नए विन्यास प्रदान करता है जो आधार कार्यान्वयन के विन्यास पर प्रबल होते हैं। इसका मतलब है कि समान (या बेहतर) प्रतिक्रिया अधिक सटीकता के साथ प्राप्त की जा सकती है, और यह कि (या बेहतर) सटीकता कम गणना के साथ प्राप्त की जा सकती है। उदाहरण के लिए, पैरामीटर 2 के साथ OpenCV 1 के कार्यान्वयन का पारेतो-न्यूनतम विन्यास s = 1.2 और second = 4 (अंजीर 3 (बी) में ऊपर से दूसरा एक्स-चरित्र)। इस तरह के एक बिंदु के परिणामस्वरूप एफ 1-स्कोर = 87.9 और थ्रूपुट = 6.1 फ्रेम प्रति सेकंड होता है। Δ _{x, t1} = 5, t _{x, t2} = 10, Δ _{y, t1} = 5,, _{y, t2} चुनना= 5, s = 1.3 और 4 = 4, RASW दृष्टिकोण बेहतर सटीकता (एफ 1-स्कोर = 88.4) और 2.03x त्वरण (थ्रूपुट = 12.4 फ्रेम प्रति सेकंड) की ओर जाता है। अंजीर में काले घेरे के साथ बिंदी। 3 (बी)।

आरएएसडब्ल्यू दृष्टिकोण का प्रदर्शन लाभ स्थायी नहीं है, अर्थात यह प्रोजेक्ट स्पेस में स्थिति के आधार पर बदलता है। इस काम का उद्देश्य यह दिखाना है कि आरएएसडब्ल्यू के साथ, ऑब्जेक्ट डिटेक्टर के डिजाइनर के पास उन बिंदुओं का चयन करने की क्षमता है जो लक्ष्य एप्लिकेशन के लिए सबसे उपयुक्त हैं। उदाहरण के लिए, मान लीजिए कि एक लक्ष्य एप्लिकेशन को प्रति सेकंड कम से कम 10 फ्रेम की बैंडविड्थ की आवश्यकता होती है, जिसमें 80% से अधिक और 95% से अधिक सटीकता होती है। फिर, आरएएसडब्ल्यू के लिए ऊपर उल्लिखित मापदंडों के सेट का चयन करते हुए, डिजाइनर अंजीर में काले घेरे के अनुरूप एक सशर्त बिंदु प्राप्त करेगा। 3 (बी), विशेषता द्वारा याद किया जाता है = 82.4%, सटीकता = 95.2% और उत्पादकता = 12. 4 फ्रेम प्रति सेकंड, जो सिस्टम की आवश्यकताओं से मेल खाती है। किसी भी आधार कार्यान्वयन के लिए यह बिंदु अप्राप्य है।

निष्कर्ष

यह आलेख किसी ऑब्जेक्ट की खोज प्रक्रिया को बेहतर बनाने के लिए अनुकूली स्कैनिंग विंडो मोशन (RASW) के उपयोग का सुझाव देता है। वियोला-जोन्स फेस डिटेक्टर के कार्यान्वयन के लिए परिणाम प्रस्तुत किए गए हैं, लेकिन यह अनुकूलन किसी भी ऑब्जेक्ट डिटेक्शन एल्गोरिथम पर लागू किया जा सकता है जो स्कैनिंग विंडो और कैस्केडिंग क्लासिफायर का उपयोग करता है। मौजूदा दृष्टिकोणों की तुलना में, RASW रिकॉल / सटीक और एफ 1-स्कोर / थ्रूपुट रिक्त स्थान में बेहतर प्रदर्शन प्रदान करता है, जो वास्तविक समय के अनुप्रयोगों के लिए विशेष रूप से महत्वपूर्ण है। प्रस्तावित अनुकूलन हमें मौजूदा कार्यान्वयन की तुलना में अधिक सटीकता प्राप्त करने की अनुमति देता है, लेकिन एक ही समय में कम संगणना के साथ, और प्रदर्शन में सुधार के लिए समानांतरकरण के साथ संयोजन में भी इस्तेमाल किया जा सकता है। भविष्य के काम में, हम इष्टतम पैरामीटर खोजने के लिए एल्गोरिदम विकसित करने की योजना बनाते हैं,निर्दिष्ट आवश्यकताओं को पूरा करना। प्रस्तावित एल्गोरिथ्म चेहरा पहचान में सुधार के लिए डेटा इलाके का उपयोग करता है। एक वीडियो से एक छवि को कैप्चर करते समय, गणना की मात्रा को और कम करने के लिए अस्थायी विषमता को भी ध्यान में रखा जा सकता है।

साहित्य

[१] सी। झांग और जेड। झांग, "फेस डिटेक्शन में हाल के अग्रिमों का एक सर्वेक्षण," तकनीकी रिपोर्ट MSR-TR-2010-66, 2010 में।
[2] पी। वियोला और एम। जोन्स, "रैपिड ऑब्जेक्ट डिटेक्शन एएसएपी, 2009 में, सीवीपीआर, 2001 में
[ सीवीपीआर, [3] जे। चो, बी। बेंसन, एस। मिर्जेई, और आर। कस्टनर, "कई सहपाठियों के समानांतर वास्तुशिल्प का समानांतर वास्तुशिल्प"।
[४] एम। हीरोमोटो, एच। सुगानो, और आर। मियामोटो, "आंशिक रूप से समानांतर वास्तुकला के लिए अदबॉस्ट-आधारित विशेषताओं के साथ हैर जैसी विशेषताओं," आईईईई ट्रांस। सर्किट सिस्ट। वीडियो टेक्नोल।, वॉल्यूम। 19, पीपी। ४१-५२, २०० ९।
[५] बी। ब्रोसेऊ और जे। रोज़, "एफटीसीपी, २०१२ में ओपनसीवी-संगत ऑब्जेक्ट डिटेक्शन के लिए एक ऊर्जा-कुशल, तेज़ एफपीजीए हार्डवेयर आर्किटेक्चर"।
[६] डी। हेफेनब्रोक, जे। ओबर्ग, एन। थान, आर। कस्टनर, और एस। बैडेन, "एफसीसीएम -२०१० में एफपीजीए-लेवल का उपयोग करते हुए वायोला-जोन्स का तेजी से पता लगा रहे हैं," एफसीसीएम, २०१० में।
[]] डी। ओरो , सी। फर्नांडीज, जेआर साटा, एक्स। मार्टोरेल, और जे। हर्नांडो, "HD वीडियो अनुक्रमों में रियल-टाइम जीपीयू-आधारित फेस डिटेक्शन,"
ICCV कार्यशालाओं, 2011 में।
[8] एससी टेक और एम। गोकमेन, आईएपीएससी में "वीएएसपीएस,
एसीसीएंड्रेई और ए। बैरिका का सामना करते हुए," एसपीएंड्रेई और ए। बैरिगा, "एसएसीएंड्रेई और ए। बैरिगा ," संशोधित जनगणना परिवर्तन का उपयोग करते हुए, "GPU ने संशोधित जनगणना परिवर्तन का उपयोग करते हुए उच्च रिज़ॉल्यूशन वीडियो पर वास्तविक समय वस्तु का पता लगाया। " , 2011.
[10] सी। लामपर्ट, एम। ब्लास्चको, और टी। हॉफमैन, "स्लाइडिंग विंडो से परे:
सीवीपीआर, 2008 में , कुशल सबविंडो सर्च द्वारा वस्तु स्थानीयकरण" ।
[११] एनजे बटको और जेआर मवेलन, "सीवीपीआर, २०० ९ में तेज वस्तु का पता लगाने के लिए ऑप्टिमल स्कैनिंग"।
[१२] वीबी सुब्रमण्यम और एस। मार्सेल, "स्थान का आकलन और द्विआधारी सुविधाओं का उपयोग करते हुए चेहरे का पता लगाने के लिए वैकल्पिक खोज तकनीक," कम्प्यूट। विज़न इमेज अंडरस्टैंडिंग, वॉल्यूम। 117, नहीं। 5, पीपी। ५५१-५ Jain०, २०१३।
[१३] वी। जैन और ई। मिलर, "FDDB: असंवैधानिक सेटिंग्स में चेहरे का पता लगाने के लिए एक बेंचमार्क," मैसाचुसेट्स विश्वविद्यालय, एमहर्स्ट, टेक।
रेप। UM-CS-2010-009, 2010.
[14] जी । ब्रैडस्की , "द ओपनसीवी लाइब्रेरी", डॉ। डोब के जे सॉफ्ट। टूल्स, 2000.
[15] एच। रोले, एस। बलूजा और टी। कनाडे, "न्यूरल नेटवर्क-आधारित फेस डिटेक्शन," आईईईई ट्रांस। पैटर्न गुदा। मच। Intell, वॉल्यूम। 20, पीपी। २३-३ 1998, १ ९९ 1998।
[१६] एम। एवरिंघम, एलजेवी गूल, सीकेआई विलियम्स, जेएम विन्न, और ए। ज़िसरमैन, "पास्कल विज़ुअल ऑब्जेक्ट क्लासेस (वीओसी) चुनौती," इंट। जे। कम्प्यूट। दृष्टि, खंड। 88, नहीं। 2, पीपी। ३०३-३३
[ , २०१०। [१,] एम। गिलेन, टी। बास्टेन, बीडी थेलेन, और आर। ओटन, "पेरेटो अंकों का एक बीजगणित," फण्डम। सूचित।, वॉल्यूम। 78, सं। 1
पीपी।३५- 35४, २००te.
[१ C.] सी। गौते और aus ई। गौसियर, "मूल्यांकन के लिए निहितार्थ के साथ सटीक, याद और एफ-स्कोर की एक संभाव्य व्याख्या,"
ईसीआईआर, २००५ में।