211service.com
Un moteur de recherche de reconnaissance faciale
Aujourd'hui, il existe plus de caméras vidéo de mauvaise qualité (caméras de surveillance et de circulation, caméras pour téléphones portables et webcams) que jamais auparavant. Mais les moteurs de recherche modernes ne peuvent pas identifier les objets de manière très fiable dans des images claires et statiques, encore moins dans des clips YouTube granuleux. Une nouvelle approche logicielle des chercheurs de l'Université Carnegie Mellon pourrait faciliter l'identification du visage d'une personne dans une vidéo basse résolution. Les chercheurs affirment que le logiciel pourrait être utilisé pour identifier des criminels ou des personnes disparues, ou qu'il pourrait être intégré aux moteurs de recherche vidéo de nouvelle génération.
Visages flous : Un nouveau système de reconnaissance faciale des chercheurs de Carnegie Mellon fonctionne même sur des images à faible résolution.
Les systèmes de reconnaissance faciale d'aujourd'hui fonctionnent plutôt bien, explique Pablo Hennings-Yeomans, chercheur à Carnegie Mellon qui a développé le système, c'est-à-dire que les chercheurs peuvent contrôler l'éclairage, l'angle du visage et le type de caméra utilisé. La nouvelle science de la reconnaissance faciale traite des environnements sans contraintes, dit-il. Notre travail, en particulier, porte sur le problème de la résolution.
Pour qu'un système de reconnaissance faciale puisse identifier une personne, explique Hennings-Yeomans, il doit d'abord être formé sur une base de données de visages. Pour chaque visage, le système utilise un algorithme d'extraction de caractéristiques pour discerner des motifs dans la disposition des pixels de l'image ; au fur et à mesure qu'il est entraîné, il apprend à associer certains de ces motifs à des traits physiques : des yeux qui penchent vers le bas, par exemple, ou un menton proéminent.
Le problème, explique Hennings-Yeomans, est que les systèmes de reconnaissance faciale existants ne peuvent identifier les visages que sur des images ayant la même résolution que celles avec lesquelles les systèmes ont été formés. Cela donne aux chercheurs deux choix s'ils veulent identifier des images à faible résolution : ils peuvent soit entraîner leurs systèmes à l'aide d'images à faible résolution, ce qui donne des résultats médiocres à long terme, ou ils peuvent ajouter des pixels, ou une résolution, aux images à identifiés.
Cette dernière approche, qui est réalisée en utilisant des algorithmes dits de super-résolution, est courante, mais ses résultats sont mitigés, explique Hennings-Yeomans. Un algorithme de super-résolution fait des hypothèses sur la forme des objets dans une image et les utilise pour affiner les limites des objets. Bien que les résultats puissent sembler impressionnants à l'œil humain, ils ne correspondent pas bien aux types de modèles que les systèmes de reconnaissance faciale sont entraînés à rechercher. La super-résolution vous donnera une image interpolée plus belle, dit Hennings-Yeomans, mais elle aura des distorsions comme du bruit ou des [caractéristiques] artificielles.
Faites-moi un match : les images de sonde le long de la rangée supérieure sont utilisées pour interroger une base de données d'images de galerie stockées, un peu comme des mots-clés entrés dans un moteur de recherche Web. Lorsque les visages correspondent, comme ils le font le long de la diagonale, l'image composite résultante présente des caractéristiques lisses. Les traits flous indiquent une incompatibilité.
En collaboration avec B. Vijaya Kumar, professeur d'ingénierie électrique et informatique à Carnegie Mellon, et Simon Baker de Microsoft Research, Hennings-Yeomans a testé une approche qui améliore les systèmes de reconnaissance faciale qui utilisent la super-résolution standard. Au lieu d'appliquer des algorithmes de super-résolution à une image et d'exécuter les résultats via un système de reconnaissance faciale, les chercheurs ont conçu un logiciel qui combine les aspects d'un algorithme de super-résolution et l'algorithme d'extraction de caractéristiques d'un système de reconnaissance faciale. Pour trouver une correspondance avec une image, le système l'alimente d'abord via cet algorithme intermédiaire, qui ne reconstruit pas une image qui semble mieux à l'œil humain, comme le font les algorithmes de super-résolution. Au lieu de cela, il extrait des caractéristiques qui sont spécifiquement lisibles par le système de reconnaissance faciale. De cette façon, il évite les distorsions caractéristiques des algorithmes de super-résolution utilisés seuls.
Dans des travaux antérieurs, les chercheurs ont montré que l'algorithme intermédiaire améliorait les résultats de mise en correspondance des visages lors de la recherche de correspondances pour une seule image. Dans un article présenté à la conférence internationale IEEE sur la biométrie : théorie, systèmes et applications plus tard ce mois-ci, les chercheurs montrent que le système fonctionne encore mieux, dans certains cas, lorsque plusieurs images ou cadres, même de différentes caméras, sont utilisés .
L'approche est prometteuse, déclare Pawan Sinha, professeur de sciences du cerveau et cognitives au MIT. Le problème des images et des vidéos à basse résolution est sans aucun doute important et n'a été traité de manière adéquate par aucun des systèmes commerciaux de reconnaissance faciale que je connaisse, dit-il. Dans l'ensemble, j'aime le travail.
En fin de compte, dit Hennings-Yeomans, les algorithmes de super-résolution doivent encore être améliorés, mais il ne pense pas qu'il faudrait trop de travail pour appliquer l'approche de son groupe à, disons, un outil Web qui recherche des vidéos YouTube. Vous allez voir des systèmes de reconnaissance faciale pour la récupération d'images, dit-il. Vous allez Google non pas en utilisant des requêtes de texte, mais en donnant une image.