1746
Reconocimiento de belleza individual
«Espejito, espejito! Dile
Sí, informe a toda la verdad:
Yo única arma a la vista de todo el más dulce,
Todo rubicundo y más blanca? » I>
AS. Pushkin
Los cuentos de hadas de cosas implementadas gradualmente en la realidad actual a través del uso de nuevas tecnologías y descubrimientos científicos. Actualmente implementado y utilizado de forma activa, como la sopa Carpet (Aviación), de siete leguas botas (coches), una manzana en un plato (netbook a Internet), una pelota que muestra el camino (navegador GPS) y otras cosas necesarias. Hemos tratado de poner en práctica el mencionado en "El cuento de la princesa muerta y los siete caballeros" sistema de evaluación de la belleza de un rostro humano mediante el uso de los métodos de inteligencia artificial y visión por computador (presumiblemente, aquí el autor quiso decir una tableta con una cámara frontal y un estuche personalizado).
La cuestión de lo que hace una cara persona atractiva es objeto de investigación psicólogos, biólogos, filósofos, historiadores del arte, especialistas en cirugía plástica por un largo tiempo. Ahora se considera un hecho establecido que las personas, además de las preferencias individuales, y afectan a principios generales biológicamente motivados para la evaluación de la salud [1-2]. Entre los posibles candidatos para los signos típicos de fisiólogos distinguir rasgos faciales simétricos [3], el contraste de la imagen de la cara de las imágenes de la cara media de un gran conjunto de personas [4] proporciones de la "sección áurea" cara correspondientes [5] y otros. Por ejemplo, en [4], por una parte, las características simétricas corresponden a menos propenso a mutar genes y, por tanto, las personas con tales características son más resistentes a las mutaciones y enfermedades, y los otros -. personas con características más simétricas puesto más alto belleza evaluación de sus Pictures Experts < br /> En los últimos años, ha habido varios trabajos pioneros dedicados a los sistemas informáticos de reconocimiento de belleza a través de la utilización de la máquina de visión [6-8] y clasificadores entrenados. Estas obras pueden ser vistas como un intento de potenciar los sistemas robóticos de la capacidad de "ver lo bello." En [6] se utilizan como características proporciones faciales, con los puntos clave en la cara asignado manualmente. En [7], además de las proporciones se utilizó el método de componentes principales para la extracción de características. En [8] para el problema del reconocimiento de la belleza se utilizó el href="http://habrahabr.ru/post/226347/">.
Hemos desarrollado un sistema automático de evaluación de la belleza, que trabaja sobre la base de la asignación de los puntos clave en la cara a través de una biblioteca de visión artificial OpenCV y neyronnoy, objetivos entrenados para estas evaluaciones de expertos y llevó a cabo una evaluación experimental de la calidad de su trabajo.
Base de datos de imagen para la formación
Hemos compilado su propia base de datos de imágenes, que consta de 180 fotos individuales de las mujeres jóvenes, las imágenes fueron tomadas de fuentes públicas. Fueron seleccionadas las fotografías de personas en vista frontal con una expresión neutra en su rostro, sin gafas y joyas. Para hacer que la muestra representativa, hemos tratado de incluir en los ejemplos de bases de datos tanto a las personas bellas y feas (Fig. 1).
Fig. 1. Ejemplo fotos de personas de la
imagen base
En contraste con la base de datos [7] recopilada incluye fotos de mujeres de diferente raza, el color, y sus edades oscilaban entre 18 y 35 años. Una vez que se han recogido las imágenes, se invitó al grupo de expertos para exponer el atractivo estético de las valoraciones subjetivas de cada foto en una escala de 1 a 7. Total para fotos de etiquetado se plantearon por 8 expertos, 4 hombres y 4 mujeres de 16 a 63 años, Grados independiente. Según las condiciones del experimento, antes de la clasificación de cada experto se trajeron todos los cuadros para la referencia primaria. Para comprobar la consistencia de la muestra se llevó a cabo un análisis de correlación, los resultados se presentan en la Tabla. 1.
Tabla 1. Pairwise correlaciones estimaciones de varios expertos
La correlación promedio de la muestra fue a los 0, 7, lo que permite el aprendizaje de la red neural en esos datos, y más o menos se corresponde con los resultados de otros investigadores [4, 7].
El esquema general de la
algoritmo
Sistema de reconocimiento de belleza toma una imagen que contiene una imagen frontal de un rostro humano (Fig. 2).
Fig. 2. Esquema del algoritmo de reconocimiento de personas belleza
Antes del inicio del algoritmo, se supone que la persona en la imagen ya ha sido asignado previamente y ocupa la mayor parte del área de la imagen. A continuación, utilizando un bustingovogo clasificador Viola-Jones estándar, un miembro de los recursos de la biblioteca de la visión por computador OpenCV, destaca las áreas en la cara, los respectivos derechos y ojo izquierdo, nariz y boca.
Sobre la base de estas coordenadas se calculan las proporciones faciales básicos, que luego se utilizan como un vector de características para la red neural. Una red neuronal es primero entrenado en estos datos de entrada utilizando evaluaciones de expertos como una muestra de destino, y luego se puede utilizar para reconocer en el nuevo, que no se ve con anterioridad a la red de datos.
Característica
extracción
Hemos dividido nuestras señales asignados en dos grupos: la relación de la distancia entre los puntos clave seleccionados y la relación del tamaño de la persona que se encuentre.
Las características del grupo se muestra en la Figura 1. 3, a la izquierda: AB / CD, AC / AC, AD / BD, EC / ED, EC / AB, AC / DC, AC / BD. Signos del Grupo 2 se muestran en la Fig. 3, Derecha: L / R, Mw / Mh, NW / Nh, Mw / Nw, Mh / Nh. El vector de características final consta de las características combinadas de ambos grupos. Antes de servir a los datos de redes neuronales se dieron a la gama de [1, 1].
Fig. 3. Cálculo de los vectores de características de los puntos clave seleccionados en el
cara
Redes neuronales Formación
Como una red neuronal entrenada, se utilizó el perceptrón multicapa estándar [10, p. 219] con una sola capa oculta contiene 5 neuronas en la capa oculta. Como funciones de activación y las neuronas de salida de la capa oculta utilizan función tangente hiperbólica. Una red neuronal ha sido entrenado por el filtro de Kalman extendido [10, p. 219], [11], que es hoy uno de los métodos más eficaces de las redes neuronales enseñanza de segundo orden. Antes de la muestra de entrenamiento se divide en 2 partes: aprender (110 ejemplos, el 60% de la muestra) y examen (70 ejemplos, el 40% de la muestra). Los resultados del aprendizaje se presentan en la Tabla. 2.
Tabla 2. Resultados de aprendizaje de redes neuronales en el problema del reconocimiento de la belleza
Creemos que el resultado de la correlación de 0,5 sobre la no utilización en la enseñanza de examen de la muestra muy bueno para una pequeña cantidad de información suministrada a la red neuronal como características. De hecho, la red toma una decisión basada en el análisis de la estructura de los huesos del cráneo, haciendo caso omiso de otros datos que tiene en cuenta las personas en la solución de un problema similar.
En el futuro, tenemos la intención de mejorar el algoritmo mediante la ampliación de la base de datos de imagen para la formación, la provisión de nuevos puntos en la cara e incluir la detección de la suavidad de la piel.
Artículo original: Chernodub UN Pashchenko YA, KA Holovchenko Sistema de red neuronal para determinar el atractivo de la cara de una persona // XV toda Rusia conferencia científico-técnica "Neuroinformática 2013", Moscú, 21-25 de enero de 2013, c. 254 - 259. I>
Referencias
Kovach, FJ Filosofía de la belleza // Norman: University of Oklahoma Press. 1974. Grammer K, Thornhill R. humano (Homo sapiens) atractivo facial y la selección sexual: el papel de la simetría y la medianía. // J Comp Psychol, 1994. V. 108. № 3. P. 233-242. Rodas G. La Psicología Evolutiva de belleza facial // Annu. Reverendo Psychol. 2006. V. 57. P. 199-226. Sheib JE, Gangestad SW, Thornhill R. atractivo facial, la simetría y las señales de buenos genes // Proc Biol Sci. 22 de septiembre 1999; 266 (1431). R. 1913-1917 de Holanda E. Marquardt Phi Máscara:. Errores de Basándose en modelos de moda y la proporción áurea para describir un rostro hermoso // Estética Cirugía Plástica, 2008. V. 32, № 2. P. 200-208. Aarabi, P., Hughes, D., Mohajer, K., Emami, M. La medición automática de belleza facial // IEEE Conferencia Internacional sobre Sistemas, Hombre y Cibernética , 710 octubre de 2001, Tucson, EE.UU.. V. 4. P. 2644-2.647 Eisenthal Y., Dror G., Ruppin E. atractivo facial:. Beauty and the Machine // Neural Computation, 2006. V. 18. № 1. P . 119-142. Gan J., Li L., Zhai Y. profundo autodidacta de aprendizaje para la predicción de la belleza facial // Neurocomputing. DOI: 10.1016 / j.neucom.2014.05.028 Gray D., K. Yu, Xu W., Gong Y. La predicción de belleza facial sin Monumentos históricos // Visión por Computador - ECCV 2010, Lecture Notes in Computer Ciencia, 2010, V. 6316/2010. P. 434-447 Redes Neuronales: S. Haykin. El curso completo. M:. Williams, 2006. Chernodub AN El entrenamiento de redes neuronales para la clasificación mediante el filtro de Kalman extendido: Un estudio comparativo // Memoria óptica y redes neuronales, 2014. Vol. 23, No. 2, pp 96-103.
Fuente:
Suiza Ejército, ya que está "hecho"
Espacio Crónica sverhtyazhelovesov. Parte 3. "Marstodonty" nueva era