Аннотация. 

В статье представлен оригинальный алгоритм калибровки мягкого каскада Виолы и Джонса, построенный на базе метода Multiple Instance Pruning. Эффективность предложенного алгоритма продемонстрирована на примере практической задачи построения локализатора третьей страницы паспорта гражданина РФ на цифровых изображениях, полученных в неконтролируемых условиях. Предложенный в работе алгоритм продемонстрировал значительно меньшую ошибку ложного пропуска и идентичный уровень ложных срабатываний по сравнению с оригинальным алгоритмом за счет анализа статистических особенностей распределения откликов классификатора на всем множестве допустимых окон обнаружения целевого объекта. Представленный алгоритм является обобщением Multiple Instance Pruning, позволяющим строить более робастные к параметрам сканирования изображения детекторы.

Ключевые слова:

машинное обучение, детектирование объектов, локализации объектов, метод Виолы и Джонса, мягкий каскад, soft cascade, распознавание документов.

Стр. 20-28.

DOI: 10.14357/20790279240103 

EDN: OTBOEY

 

Литература

1. Goode A. Digital identity: solving the problem of trust // Biometric Technology Today. MA Business London. 2019. Vol. 2019, № 10. P. 5–8.

2. Lin W.-H., Wang P., Tsai C.-F. Face recognition using support vector model classifier for user authentication // Electronic Commerce Research and Applications. 2016. Vol. 18. P. 71–82.

3. Gai K., Qiu M., Sun X. A survey on FinTech // Journal of Network and Computer Applications. 2018. Vol. 103. P. 262–273.

4. Bulatov K.B. et al. Reducing radiation dose for NN-based COVID-19 detection in helical chest CT using real-time monitored reconstruction // Expert Systems with Applications. 2023. Vol. 229. P. 120425.

5. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. IEEE Comput. Soc.

6. Freund Y., Schapire R.E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting // Journal of Computer and System Sciences. 1997. Vol. 55. № 1. P. 119–139.

7. Гладилин C.А. et al. Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами // ИТиВС / ed. Соломонович П.Ю. ФИЦ ИУ РАН. 2014. № 1. P. 53–60.

8. Dollar P., Belongie S., Perona P. The Fastest Pedestrian Detector in the West // Procedings of theBritish Machine Vision Conference 2010. 2010.

9. Li S.Z. et al. Statistical Learning of Multi-view Face Detection // Computer Vision — ECCV 2002 / ed. Heyden A. et al. Berlin, Heidelberg: Springer Berlin Heidelberg. 2002. Vol. 2353. P. 67–81.

10. Lienhart R., Maydt J. An extended set of Haar-like features for rapid object detection // Proceedings. International Conference on Image Processing. Rochester. NY. USA: IEEE. 2002. Vol. 1. P. I-900-I–903.

11. Ramirez G.A., Fuentes O. Multi-Pose Face Detection with Asymmetric Haar Features // 2008 IEEE Workshop on Applications of Computer Vision. Copper Mountain. CO. USA: IEEE. 2008. P. 1–6.

12. Поляков И.В. et al. Построение оптимальных каскадов Виолы-Джонса при помощи “жадных” алгоритмов перебора управляющих параметров с промежуточным контролем по валидационной выборке // Сенсорные системы /ed. Островский М.А. ООО «ИКЦ Академкнига». 2016. Vol. 30. № 3. P. 241–248.

13. Chang Huang et al. Vector boosting for rotation invariant multi-view face detection // Tenth IEEE International Conference on Computer Vision (ICCV’05) Volume 1. Beijing, China: IEEE, 2005. Vol. 1. P. 446-453.

14. Hutchison D. et al. Multi-stage Sampling with Boosting Cascades for Pedestrian Detection in Images and Videos // Computer Vision – ECCV 2010 / ed. Daniilidis K., Maragos P., Paragios N. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010. Vol. 6316. P. 196–209.

15. Jones M., Viola P. Fast multi-view face detection. 2003.

16. Bourdev L., Brandt J. Robust object detection via soft cascade // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005.

17. Minkina A. et al. Generalization of the Viola-Jones method as a decision tree of strong classifiers for real-time object recognition in video stream // Seventh International Conference on Machine Vision (ICMV 2014). SPIE. 2015. Vol. 9445. P. 944517.

18. Zhang C., Viola P. Multiple-Instance Pruning For Learning Efficient Cascade Detectors.

19. Wang Y.-Q. An Analysis of the Viola-Jones Face Detection Algorithm // Image Processing On Line. Image Processing On Line. 2014. Vol. 4. P. 128–148.

20. Shemiakina J. et al. Automatic cropping of images under projective transformation // Eleventh International Conference on Machine Vision (ICMV 2018) / ed. Nikolaev D.P. et al. Munich, Germany: SPIE. 2019. P. 117.

21. Usilin S.A., Slavin O.A., Arlazarov V.V. Memory Consumption and Computation Efficiency Improvements of Viola–Jones Object Detection Method for Remote Sensing Applications // Pattern Recognition and Image Analysis. Pleiades journals. 2021. Vol. 31, № 3. P. 571–579.