Автоматизация процесса обнаружения запечатленных на видеозаписи лиц средствами программного обеспечения «MATLAB»

Аннотация

В работе исследуется возможность автоматизации операций при производстве судебной видеотехническойэкспертизы на примере поиска и обнаружения запечатленных на видеозаписи лиц методом Виолы-Джонса, реализованного при помощи программного обеспечения «MATLAB».

Содержание статьи:
На сегодняшний день перспективы развития информационных технологий характеризуются широким практическим использованием средств видеозаписи. С криминалистической точки зрения видеозапись весьма часто становится источником интересующей следствие информации, поскольку видеозаписи, полученные с применением данных устройств, эффективно используются для розыска лиц, совершивших преступление, его расследования и раскрытия. Нельзя не отметить, что в последние годы основными объектами судебной портретной экспертизы стали цифровые видеозаписи и портреты [1, c. 152].

Длительность видеограммы, которую необходимо исследовать эксперту, может составлять от нескольких секунд до нескольких часов. В связи с этим решение некоторых экспертных задач может стать весьма затруднительным и потребовать существенных временных затрат. В частности, перед экспертом может стоять задача обнаружения запечатленных на видеозаписи лиц с последующей выборкой отдельных кадров, на которых изображения лиц людей будут наиболее информативными. При этом просмотр в ускоренном режиме может привести к пропуску интересующей следствие информации: во-первых, в таком режиме просмотра быстрее наступает усталость зрительных органов чувств, вследствие чего восприятие изображение может ухудшиться; во-вторых, объект интереса может быть запечатлен на видеограмме в течение нескольких секунд, и в ускоренном режиме его появление может остаться незамеченным. В связи с этим при подготовке материалов для назначения экспертизы целесообразно применить методы, основанные на алгоритмах автоматического обнаружения лиц.

Лицо — наиболее индивидуальная и узнаваемая часть человеческого тела. Именно по целостному восприятию лица мозг идентифицирует отдельную личность. Примечательно, что слова «лицо» и «личность» являются однокоренными, при этом понятие «лицо» в переносном смысле обозначает человека как такового (например, в нормативных актах).

Так как лицо является подвижной системой, имеющей множество различных выражений, то для изучения возможностей обнаружения и распознавания лица человека необходимо понимать его анатомию. В основе данной возможности лежит продиктованная генетической комбинацией индивидуальность формы, размеров и взаимосвязей черт лица конкретного человека, благодаря которой можно отличить одно лицо от другого [2, c. 218].

Автоматическое выделение лица на изображении является одним из практических применений теории распознавания образов. Результат применения данной технологии зависит от таких параметров, как ракурс съемки, положение головы, условия освещенности, качество видеозаписи и др.

Среди современных методов обнаружения и распознавания лиц необходимо выделить следующие:
Поиск объекта по шаблону. Для реализации данного метода выбирается шаблон — лицо, которое является «усредненным». Его получение достигается путем выделения одинаковых областей лица на изображениях с их последующим сравнением, при этом совпадение областей увеличивает меру сходства между изображениями. Недостатком данного метода является существенная затрата вычислительных ресурсов при небольшом диапазоне возможностей: так, при изменениях ракурса съемки или выражения лица точность обнаружения заметно снижается.

Метод главных компонент. При решении задач распознавания лиц этот метод (также известный, как метод собственных лиц), является одним из наиболее популярных. Данный метод работает путем представления исходного множества изображений в виде наборов главных компонент таких изображений, получении векторов для каждого из наборов и вычислении общих векторов исходного набора на основе векторов отдельных наборов. При этом изображение, соответствующее каждому из векторов, имеет форму лица. Недостатком данного метода также являются большие вычислительные затраты.

Метод Виолы-Джонса. Для поиска лиц на видеоизображениях в режиме реального времени данный метод является весьма высокоэффективным, обладая низкой вероятностью ложного обнаружения лица. Достоинством метода является возможность обнаружения черт лица при ракурсе съемки под углом до 30°, при этом точность распознавания достигает 90%. Метод основан на интегральном представлении изображения и использовании признаков Хаара (применяемые для распознавания образов признаки цифрового изображения: например, общим для изображений человеческих лиц является то, что область глаз темнее области щек).

Успешность применения какого-либо из данных методов обнаружения и распознавания лиц на изображении неразрывно связана с таким понятием, как качество изображения. Качество изображения характеризуется совокупностью следующих параметров: разрешение, фокус, сжатие и освещенность [3, с. 74].

Разрешение является мерой четкости деталей изображения и исчисляется в пикселях на дюйм. Чем больше количество пикселей, используемых для представления изображения, тем больше будет его верность с объектом, который он представляет; чем меньше пикселей используется, тем точность будет хуже. С отсутствием верности будет сопутствующее снижение точности и точности размещения антропометрических ориентиров. При этом разрешение области интереса (лица) может отличаться от разрешения всего изображения в зависимости от его местоположения. Например, если на изображении есть две лица, одно близко, а второе — далеко, то более близкое лицо будет иметь более высокое разрешение, чем-то, которое находится дальше.

Измерение фокуса основывается на методах, используемых в функции автоматической настройки фокуса многих камер. Алгоритмы автоматического фокуса работают, максимально увеличивая меру локализованного контраста в изображении. Когда изображение выглядит «мягким» и нечетким из-за недостатка фокуса, значения пикселей мало изменяются в небольшой окрестности, а значение контрастности будет низким; когда изображение находится в фокусе, значение контраста будет максимальным.

Сжатие изображений — это применение алгоритмов сжатия данных к изображениям, хранящимся в цифровом виде. Результатом сжатия является уменьшение размера изображения и время его передачи по сети. Цифровое сжатие может применяться как с потерями для качества изображения, так без его потерь. Результаты применения алгоритмов сжатия с потерями качества при увеличении степени сжатия могут быть весьма заметны человеческому глазу.
Освещенность — световая величина, равная отношению светового потока, падающего на малый участок поверхности, к его площади. Чрезмерно низкий или, наоборот, высокий уровень освещенности отрицательно влияет на качество изображения, и его информативность существенно снижается.

Автоматизация процесса обнаружения запечатленных на видеозаписи лиц в среде «MATLAB» может быть реализована с помощью метода Виолы-Джонса, поскольку данный алгоритм был создан, в первую очередь, именно для этой цели и его использование представляется наиболее эффективным.
В наборе инструментов «Computer Vision System Toolbox» обнаружение объектов с использованием алгоритма Виолы-Джонса осуществляется системным объектом «vision.CascadeObjectDetector». В нем алгоритм Виолы-Джонса применяется для обнаружения лиц и его частей. По умолчанию данный детектор настроен на обнаружение лиц, но можно указать другие типы объекта: лицо анфас или в профиль, один глаз или их пара, нос, рот, а также верхняя часть тела. Для поиска лиц на видеозаписи данный детектор может быть применен следующим образом: сначала по умолчанию детектор настроен для обнаружения лиц людей, а затем для повышения эффективности и точности результата применения данного детектора среди обнаруженных лиц выбираются те, на которых удалось обнаружить нос. Данное решение обусловлено малым, но имеющим место количеством обнаружения посторонних объектов, ошибочно принятых за человеческое лицо.

Важным моментом является выбор частоты обработки кадров видеограммы. Например, при кадровой частоте 50 кадров в секунду представляется нецелесообразным обработка каждого кадра, поскольку это требует существенных затрат вычислительной мощности при большой схожести кадров между собой. Однако посекундная обработка (то есть по одному кадру из каждых 50) может быть недостаточно эффективной ввиду пропуска кадров, содержащих значимую для следствия информацию. Наиболее оптимальной представляется сокращение частоты обработки кадров в два раза — таким образом, кадры будут обработаны через один, что существенно ускорит процесс исследования без потери его эффективности.
При обнаружении детектором лица отображается кадр видеозаписи, на котором данное лицо было найдено; при этом для наглядного представления лицо обводится в квадратную рамку. Затем изображение каждого лица автоматически записывается в отдельный графический файл с присвоенным ему порядковым номером. Результатом работы является автоматически выгруженная в отдельную папку «галерея» всех обнаруженных на видеограмме лиц.

В заключение работы необходимо сказать, что посредством анализа видеоизображений при производстве судебной видеотехнической экспертизы могут быть решены важнейшие для осуществления правосудия задачи. Поэтому необходимо использовать существующие и разрабатывать новые более современные и эффективные методы и приемы решения данных задач, основанные на новейших достижениях науки и техники.

Библиографический список
Давыдов Е. В., Финогенов В. Ф. Об эффективности применения методов сравнения при производстве судебно-портретных экспертиз по цифровым видеоизображениям // Судебная экспертиза: российский и международный опыт: материалы III Междунар. науч.-практ. конф. Волгоград, 2016. С. 152−155.
Mallett X., Blythe T., Berry R. Advances in forensic human identification. Boca Raton: Taylor and FrancisGroup, 2014.
Evison M.P., Bruegge R.W.V. Computer-aided forensic facial comparison. Boca Raton: Taylor and FrancisGroup, 2010.
Друки А. А. Система поиска, выделения и распознавания лиц на изображениях // Известия Томского политехнического университета, 2011. N 5. С. 64−70.
Мищенкова Е.С. сравнительный анализ алгоритмов распознавания лиц // Вестник Волгоградского государственного университета. Серия 9: Исследования молодых ученых. 2013. N 11. С. 74−76.
Нехорошев А.Б., Шухнин М. Н., Юрин И. Ю., Яковлев А. Н. Практические основы компьютерно-технической экспертизы: учебно-методическое пособие. Саратов: Научная книга, 2007. 266 с.
Форсайт Д.А., Понс Ж. Компьютерное зрение: современный подход.: Пер. с англ. М.: Издательский дом «Вильямс», 2004. 928 с.

Опубликовано: Электронный научно-практический журнал «Современные научные исследования и инновации». 2018. № 1.
URL: web.snauka.ru/issues/2018/01/85 470