211service.com
Un motor de búsqueda para encontrar rostros
Hoy en día hay más cámaras de video de baja calidad (cámaras de vigilancia y tráfico, cámaras de teléfonos móviles y cámaras web) que nunca. Pero los motores de búsqueda modernos no pueden identificar objetos de manera muy confiable en imágenes claras y estáticas, y mucho menos en clips granulados de YouTube. Un nuevo enfoque de software de investigadores de la Universidad Carnegie Mellon podría facilitar la identificación de la cara de una persona en un video de baja resolución. Los investigadores dicen que el software podría usarse para identificar criminales o personas desaparecidas, o podría integrarse en motores de búsqueda de videos de próxima generación.
Caras borrosas : Un nuevo sistema de reconocimiento facial de investigadores de Carnegie Mellon funciona incluso con imágenes de baja resolución.
Los sistemas de reconocimiento facial de hoy en día funcionan bastante bien, dice Pablo Hennings-Yeomans, un investigador de Carnegie Mellon que desarrolló el sistema, es decir, cuando los investigadores pueden controlar la iluminación, el ángulo de la cara y el tipo de cámara utilizada. La nueva ciencia del reconocimiento facial se ocupa de entornos sin restricciones, dice. Nuestro trabajo, en particular, se centra en el problema de la resolución.
Para que un sistema de reconocimiento facial identifique a una persona, explica Hennings-Yeomans, primero debe entrenarse en una base de datos de rostros. Para cada rostro, el sistema utiliza un algoritmo de extracción de características para discernir patrones en la disposición de los píxeles de la imagen; a medida que se entrena, aprende a asociar algunos de esos patrones con rasgos físicos: ojos inclinados hacia abajo, por ejemplo, o un mentón prominente.
El problema, dice Hennings-Yeomans, es que los sistemas de reconocimiento facial existentes pueden identificar rostros solo en imágenes con la misma resolución que aquellas con las que se entrenaron los sistemas. Esto les da a los investigadores dos opciones si quieren identificar imágenes de baja resolución: pueden entrenar sus sistemas usando imágenes de baja resolución, lo que produce malos resultados a largo plazo, o pueden agregar píxeles o resolución a las imágenes que se van a reproducir. identificado.
El último enfoque, que se logra mediante el uso de los llamados algoritmos de superresolución, es común, pero sus resultados son mixtos, dice Hennings-Yeomans. Un algoritmo de superresolución hace suposiciones sobre la forma de los objetos en una imagen y las usa para definir los límites de los objetos. Si bien los resultados pueden parecer impresionantes para el ojo humano, no concuerdan bien con los tipos de patrones que los sistemas de reconocimiento facial están entrenados para buscar. La superresolución le dará una imagen interpolada que se ve mejor, dice Hennings-Yeomans, pero tendrá distorsiones como ruido o [características] artificiales.
Hazme una pareja : Las imágenes de la sonda a lo largo de la fila superior se utilizan para consultar una base de datos de imágenes de galería almacenadas, al igual que las palabras clave ingresadas en un motor de búsqueda web. Cuando las caras coinciden, como lo hacen a lo largo de la diagonal, la imagen compuesta resultante tiene características suaves. Las características borrosas indican una falta de coincidencia.
Junto con B. Vijaya Kumar, profesor de ingeniería eléctrica e informática en Carnegie Mellon, y Simon Baker de Microsoft Research, Hennings-Yeomans ha probado un enfoque que mejora los sistemas de reconocimiento facial que utilizan una superresolución estándar. En lugar de aplicar algoritmos de superresolución a una imagen y ejecutar los resultados a través de un sistema de reconocimiento facial, los investigadores diseñaron un software que combina aspectos de un algoritmo de superresolución y el algoritmo de extracción de características de un sistema de reconocimiento facial. Para encontrar una coincidencia para una imagen, el sistema primero la alimenta a través de este algoritmo intermediario, que no reconstruye una imagen que se ve mejor para el ojo humano, como lo hacen los algoritmos de superresolución. En cambio, extrae características que son específicamente legibles por el sistema de reconocimiento facial. De esta forma, evita las distorsiones características de los algoritmos de superresolución utilizados por sí solos.
En trabajos anteriores, los investigadores demostraron que el algoritmo intermedio mejoraba los resultados de la comparación de rostros al encontrar coincidencias para una sola imagen. En un artículo que se presentará en la Conferencia Internacional IEEE sobre Biometría: Teoría, Sistemas y Aplicaciones a finales de este mes, los investigadores muestran que el sistema funciona incluso mejor, en algunos casos, cuando se utilizan múltiples imágenes o fotogramas, incluso de diferentes cámaras. .
El enfoque es prometedor, dice Pawan Sinha, profesor de ciencias cognitivas y cerebrales en el MIT. El problema de las imágenes y los videos de baja resolución es indudablemente importante y no ha sido abordado adecuadamente por ninguno de los sistemas comerciales de reconocimiento facial que conozco, dice. En general, me gusta el trabajo.
En última instancia, dice Hennings-Yeomans, los algoritmos de superresolución aún deben mejorarse, pero no cree que sea necesario mucho trabajo para aplicar el enfoque de su grupo a, digamos, una herramienta web que busca videos de YouTube. Verá sistemas de reconocimiento facial para la recuperación de imágenes, dice. No buscarás en Google mediante consultas de texto, sino dando una imagen.