Ракамли технологиялар ва сунъий интеллектни ривожлантириш илмий-тадкщот институти хузуридаги илмий даражалар берувчи

Рис. 1. Архитектура предлагаемой модели нейронной сети
Ш аг 1.
Обнаружение лица на изображении с помощью функции Softmax:
L
cis 
= У
l o g / + (1 - у) lo g (l - / ) .
Здесь провеяется выполнение следующего условия: если в окне 
х
есть лицо, то 
у = 1, в противном случае у = 0.
Ш аг 2.
Выполнение регрессии ограничительной рамки с более высокими 
вероятностями:
L
r e g
= S( t ) — S ( t )
где 
t
и 
t
представляют соответственно прогнозируемые и достоверные (gound- 
truth) результаты регрессии, 
S
- оценка погрешности 
L
±
.
Задача регрессии 
ограничительных рамок состоит в том, чтобы определить следующие три 
параметра:
t
w 
= w / w ,
t
a 
= (а +
0.5w — 
а —
0.5w )/w , 
t
b 
= (p +
0.5 
w — b —
0 .5 w )/w ,
где 
а
и 
b
верхняя и левая координаты ограничительных рамок, а 
w
- длина 
ширины рамки, 
a, b, w,
- основная истинная верхняя и левая координата и длина 
ширины, соответственно.
Шаг 3.
Прогнозирование ориентации лиц кандидатов с помощью бинарной 
классификации:
L
eal 
= y \ o g g + ( 1 — y )
log( 1 — 
д
) .
Здесь провеяется выполнение следующего условия: если изображение лица 
х
направлено вверх, то 
у = 1,
и наоборот, если оно направлено вниз, то 
у = 0.
Н а основе приведенных выше формул модель может быть выражена 
следующим образом:
32

---

L (F i(x )) ^
L ([f , t, g \)
Lcis
+
Xreg
• 
Lreg
+
Xcai
• 
Lcai,
где Are^ и 
Xcai
- параметры, уравновешивающие различные погрешности.
В целом, цель НСПН на первом этапе можно выразить следующим образом:
L(F1) ^ m in.
Угол поворота 
в 1
на первом этапе рассчитывается следующим образом:
в = { 00, 
д > 05;
1
{1800, 
д < 0.5,
где равенство 
в 1 =
О0 означает, что лицо кандидата направлено вверх, 
в 1 =
1800 
означает, что изображение лица направлено вниз и его необходимо провернуть 
на 18 0 0, чтобы привести его в вертикальное положение. В результате углы 
поворота в плоскости уменьшаются с [ - 1 8 0 0,1 8 0 0] до [ - 9 0 0,9 0 0].
Для обучения НСПН на первом этапе использовались три типа обучающих 
выборок: положительные, отрицательные и соминительные выборки. Эти 
выборки были распределены по критерию IoU (Intersection over Union -
пересечение над объединением):
А п В
IoU = - — -
А и В
где 
А
и 
В
- определяемые моделью и предварительно определенные области 
изображения соответственно.
Согласно значению IoU, положительные образцы включают окна выше 0,7, 
отрицательные образцы включают окна ниже 0,3, а сомнительные образцы 
включают окна от 0,4 до 0,7. Положительные и отрицательные образцы 
помогают в обучении классификации на лица и не лица. Положительные и 
сомнительные образцы помогают определить ограничительную рамку и 
направление. Для положительных и сомнительных образцов они считаются 
вертикальными, если их углы поворота в плоскости находятся в диапазоне [-650, 
650 ], и направленными вниз, если они находятся в диапазоне [—1800, -1 1 5 0] или 
[1150, 1800].
Второй этап.
На этом этапе в отличие от первого этапа направления окон- 
кандидатов прогнозируется в трех угловых диапазонах: 
[-90°, -45°],
[-45°, 45°], [45°, 90°]. Н а втором этапе выполняется операция регулировки 
поворота с углом, предсказываемым по следующей формуле:
f - 9 0 0,id = 0;
62 = -
О0, 
id = 1;
ч 
9 0 0,id = 2,
id = a r g m a x g i, i = 0,2.
L
Здесь 
g 0, д 1
и 
g 2
прогнозируемые баллы направления для трех угловых 
диапазонов. Лица-кандидаты поворачиваются на углы -9 0 0 , 00 и 900, 
соответственно. После второго этапа диапазон углов поворота изображений лиц 
в плоскости уменьшается с [—90°, 900] до [—45°, 450].
Третий этап.
После второго этапа углы поворота всех лиц-кандидатов в 
плоскости корректируются в диапазоне [-450, 450].
33

---

Угол поворота 6