Распознавание лиц на фотографиях
Аннотация
АННОТАЦИЯ
В данной работе дана историческая справка про зарождение и развитие алгоритмов компьютерного зрения, направленных на локализацию и распознавание лиц на изображениях. Был проведен обзор существующих методов и алгоритмов для локализации и распознавания лиц на изображениях.
В практической части была решена задача локализации лиц на изображениях и распознавания лиц. Были даны решения для сопоставления лиц по схемам один-к-одному и один-ко-многим. Так же было найдено решение, для эффективного поиска наиболее близкого по евклидову расстоянию вектора признаков и проведен эксперимент с удалением фона с фотографий для повышения качества распознавания.
Целевым значением метрики качества, которое необходимо было достигнуть была точность распознавания 95%.
На обоих тестовых наборах данных, открытом и закрытом коммерческом было достигнуто целевое значение метрики качества:
• На открытом наборе данных Labeled Faces in the Wild значение метрики качества составило 98.4%.
• На закрытом коммерческом наборе данных значение метрики качества составило 97.6%.
Решение было внедрено и используется в организации
ANNOTATION
This paper provides a historical background on the emergence and development of computer vision algorithms aimed at localizing and recognizing faces on images. A review of existing methods and algorithms for localizing and recognizing faces in images was made.
In the practical part, the problem of localizing faces in images and recognizing faces was solved. Solutions were given for one-to-one and one-to-many comparison of individuals. A solution for effectively search for the feature vector closest in Euclidean distance to the feature vector was also found, and an experiment with removing the background from photos for improving the recognition quality was conducted.
The target value of the quality metric that was needed to achieve was 95% accuracy.
On both test datasets, open sourced and closed commercial, the target value of the quality metric was achieved:
• For Labeled Faces in the Wild open sourced dataset, the quality metric value was 98.4%.
• On a closed commercial dataset, the value of the quality metric was 97.6%.
The solution has been implemented and is used in the organization.
В данной работе дана историческая справка про зарождение и развитие алгоритмов компьютерного зрения, направленных на локализацию и распознавание лиц на изображениях. Был проведен обзор существующих методов и алгоритмов для локализации и распознавания лиц на изображениях.
В практической части была решена задача локализации лиц на изображениях и распознавания лиц. Были даны решения для сопоставления лиц по схемам один-к-одному и один-ко-многим. Так же было найдено решение, для эффективного поиска наиболее близкого по евклидову расстоянию вектора признаков и проведен эксперимент с удалением фона с фотографий для повышения качества распознавания.
Целевым значением метрики качества, которое необходимо было достигнуть была точность распознавания 95%.
На обоих тестовых наборах данных, открытом и закрытом коммерческом было достигнуто целевое значение метрики качества:
• На открытом наборе данных Labeled Faces in the Wild значение метрики качества составило 98.4%.
• На закрытом коммерческом наборе данных значение метрики качества составило 97.6%.
Решение было внедрено и используется в организации
ANNOTATION
This paper provides a historical background on the emergence and development of computer vision algorithms aimed at localizing and recognizing faces on images. A review of existing methods and algorithms for localizing and recognizing faces in images was made.
In the practical part, the problem of localizing faces in images and recognizing faces was solved. Solutions were given for one-to-one and one-to-many comparison of individuals. A solution for effectively search for the feature vector closest in Euclidean distance to the feature vector was also found, and an experiment with removing the background from photos for improving the recognition quality was conducted.
The target value of the quality metric that was needed to achieve was 95% accuracy.
On both test datasets, open sourced and closed commercial, the target value of the quality metric was achieved:
• For Labeled Faces in the Wild open sourced dataset, the quality metric value was 98.4%.
• On a closed commercial dataset, the value of the quality metric was 97.6%.
The solution has been implemented and is used in the organization.