Обнаружение ориентиров

В информатике обнаружение ориентиров — это процесс поиска важных ориентиров на изображении. Первоначально это относилось к поиску ориентиров для навигационных целей — например, в зрении роботов или создании карт на основе спутниковых изображений . Методы, используемые в навигации, были распространены на другие области, в частности на распознавание лиц , где оно используется для определения ключевых точек на лице. Он также имеет важное применение в медицине, определяя анатомические ориентиры на медицинских изображениях .

Приложения

Ориентиры на лице

Обнаружение ориентиров лица — важный шаг в идентификации лиц людей на изображении. Ориентиры на лице также можно использовать для получения информации о настроении и намерениях человека. ^{[ 1 ]} Используемые методы делятся на три категории: целостные методы, методы ограниченной локальной модели и регрессии . методы, основанные на ^{[ 2 ]}

Целостные методы предварительно запрограммированы статистической информацией о форме лица и коэффициентах расположения ориентиров. Классическим холистическим методом является модель активного внешнего вида (ААМ), представленная в 1998 году. ^{[ 3 ]} С тех пор этот метод претерпел ряд расширений и улучшений. В значительной степени это усовершенствования алгоритма подбора, которые можно разделить на две группы: аналитические методы подбора и методы подбора, основанные на обучении. ^{[ 4 ]} Аналитические методы применяют методы нелинейной оптимизации , такие как алгоритм Гаусса – Ньютона . Этот алгоритм очень медленный, но были предложены лучшие варианты, такие как алгоритм обратной композиционной обработки проекта (POIC) и алгоритм одновременной обратной композиционной обработки (SIC). ^{[ 5 ]} Методы подбора, основанные на обучении, используют методы машинного обучения для прогнозирования лицевых коэффициентов. Они могут использовать линейную регрессию , нелинейную регрессию и другие методы подбора. ^{[ 6 ]} В целом, аналитические методы подбора более точны и не требуют обучения, тогда как методы подбора, основанные на обучении, работают быстрее, но требуют обучения. ^{[ 7 ]} Другие расширения базового метода AAM анализируют вейвлеты изображения, а не интенсивность пикселей . Это помогает подогнать невидимые части лица, которые базовый AAM считает проблематичными. ^{[ 8 ]}

Медицинские изображения

Цефалометрия

Мода

Целью обнаружения ориентиров на модных изображениях является классификация. Это помогает при поиске изображений с заданными характеристиками из базы данных или при общем поиске. Примером модного ориентира является расположение подола платья. Обнаружение модных ориентиров особенно сложно из-за сильной деформации одежды. ^{[ 9 ]}

некоторые классические методы обнаружения признаков, такие как масштабно-инвариантное преобразование признаков В прошлом использовались . Однако сейчас все чаще используются глубокого обучения методы . Этому во многом способствовала публикация ряда крупных наборов данных о моде, которые можно использовать для обучения. ^{[ 10 ]} Эти методы включают модели на основе регрессии, модели на основе ограничений и внимательности . модели ^{[ 11 ]} Особые проблемы обнаружения (деформации) ориентиров моды привели к созданию моделей оценки позы, которые обнаруживают и учитывают позу модели в одежде. ^{[ 12 ]}

Методы

Существует несколько алгоритмов поиска ориентиров на изображениях. В настоящее время задача обычно решается с использованием искусственных нейронных сетей и особенно глубокого обучения алгоритмов эволюционные алгоритмы, такие как оптимизация роя частиц , но для выполнения этой задачи также могут быть полезны .

Глубокое обучение

Глубокое обучение оказало значительное влияние на автономное обнаружение ориентиров на лице, обеспечив более точное и эффективное обнаружение ориентиров на реальных фотографиях. ^{[ 13 ]} При использовании традиционных методов компьютерного зрения обнаружение ориентиров на лице может быть сложной задачей из-за различий в освещении, положении головы и окклюзии, но сверточные нейронные сети (CNN) произвели революцию в обнаружении ориентиров, позволив компьютерам изучать особенности на основе больших наборов данных изображений. Обучая CNN на наборе данных изображений с помеченными ориентирами лица, алгоритм может научиться обнаруживать эти ориентиры на новых изображениях с высокой точностью, даже когда они появляются в разных условиях освещения, под разными углами или в частично закрытых изображениях.

В частности, решения, основанные на этом подходе, достигли эффективности работы в реальном времени мобильных устройств на графических процессорах и нашли свое применение в дополненной реальности . приложениях ^{[ 14 ]}

Эволюционный алгоритм

Эволюционные алгоритмы на этапе обучения пытаются освоить метод правильного определения ориентиров. Этот этап является итеративным процессом и, соответственно, выполняется в несколько итераций. В результате завершения последней итерации будет получена система, способная с определенной точностью правильно определить ориентир. В методе оптимизации роя частиц есть частицы, которые ищут ориентиры, и каждая из них использует определенную формулу на каждой итерации для оптимизации обнаружения ориентиров. ^{[ 15 ]}

Ссылки

^ Ву и Цзи, с. 115.
^ Ву и Цзи, с. 116.
^ Ву и Цзи, с. 116.
^ Ву и Цзи, с. 117.
^ Ву и Цзи, с. 118.
^ Ву и Цзи, с. 118.
^ Ву и Цзи, с. 119.
^ Ву и Цзи, с. 119.
^ Чжан, Чжан и Ду, стр. 1.
^ Чжан, Чжан и Ду, стр. 1.
^ Чжан, Чжан и Ду, стр. 1–4.
^ Чжан, Чжан и Ду, стр. 2.
^ Ву и Джи
^ Kartynnik, Yury; Ablavatski, Artsiom; Grishchenko, Ivan; Grundmann, Matthias (2019). "Real-time Facial Surface Geometry from Monocular Video on Mobile GPUs". arXiv : 1907.06724 [ cs.CV ].
^ ВИДЖЕСИНГЕ, ГАЯН (2005). Обнаружение ориентиров на цефалометрических рентгеновских лучах с использованием оптимизации роя частиц (Диссертация). Университет РМИТ. CiteSeerX 10.1.1.72.3218 .

Библиография

Швендике, Фальк; Чаурасия, Акхилананд; Арсивала, Любаина; Ли, Джэ-Хонг; Эльхеннави, Карим; Йост-Бринкманн, Пауль-Георг; Демарко, Флавио; Кройс, Иоахим (2021). «Глубокое обучение для обнаружения цефалометрических ориентиров: систематический обзор и метаанализ» . Клинические оральные исследования . 25 (7): 4299–4309. дои : 10.1007/s00784-021-03990-w . ПМК 8310492 . ПМИД 34046742 . S2CID 235232149 .
Ву, Юэ; Цзи, Цян (2019). «Обнаружение ориентиров лица: литературный обзор». Международный журнал компьютерного зрения . 127 (2): 115–142. arXiv : 1805.05563 . дои : 10.1007/s11263-018-1097-z . S2CID 255101562 .
Чжан, Юнган; Чжан, Цай; Ду, Фей (2019). «Краткий обзор последних успехов в обнаружении достопримечательностей моды». 2019 12-й Международный конгресс по обработке изображений и сигналов, биомедицинской инженерии и информатике (CISP-BMEI) . стр. 1–6. дои : 10.1109/CISP-BMEI48845.2019.8966051 . ISBN 978-1-7281-4852-6 . S2CID 210931275 .

[1] Ву и Цзи, с. 115.

[2] Ву и Цзи, с. 116.

[3] Ву и Цзи, с. 116.

[4] Ву и Цзи, с. 117.

[5] Ву и Цзи, с. 118.

[6] Ву и Цзи, с. 118.

[7] Ву и Цзи, с. 119.

[8] Ву и Цзи, с. 119.

[9] Чжан, Чжан и Ду, стр. 1.

[10] Чжан, Чжан и Ду, стр. 1.

[11] Чжан, Чжан и Ду, стр. 1–4.

[12] Чжан, Чжан и Ду, стр. 2.

[13] Ву и Джи

[14] Kartynnik, Yury; Ablavatski, Artsiom; Grishchenko, Ivan; Grundmann, Matthias (2019). "Real-time Facial Surface Geometry from Monocular Video on Mobile GPUs". arXiv : 1907.06724 [ cs.CV ].

[15] ВИДЖЕСИНГЕ, ГАЯН (2005). Обнаружение ориентиров на цефалометрических рентгеновских лучах с использованием оптимизации роя частиц (Диссертация). Университет РМИТ. CiteSeerX 10.1.1.72.3218 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]