การค้นหาใบหน้าบุคคลและวัตถุบริเวณดวงตาโดยใช้แบบจำลองสีร่วมกับ การประมวลผลภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
การค้นหาภาพลักษณะของใบหน้าโดยใช้เทคนิคการประมวลผลภาพเป็นขั้นตอนสำคัญในการออกแบบระบบการรู้จำใบหน้า แต่การตรวจจับใบหน้ายังเกิดโจทย์สำหรับงานวิจัย เนื่องจากรูปร่างและลักษณะของใบหน้าแต่ละคนนั้นแตกต่างกัน ทั้งการแสดงอารมณ์ทางใบหน้า เชื้อชาติ สีผิว และปัจจัยอื่น ๆ รวมถึงมีวัตถุแปลกปลอมบริเวณใบหน้า เช่น
การสวมแว่นตา หมวก ดังนั้นงานวิจัยนี้นำเสนอการค้นหาพื้นที่ใบหน้าและตรวจจับวัตถุบริเวณดวงตาโดยใช้โมเดลสีYCbCr ร่วมกับ HSV ในการทดลองนำภาพจำนวน 200 ภาพมาใช้ โดยแบ่งเป็น (1) ภาพที่พื้นหลังไม่มีลวดลาย 100 ภาพและ (2) ภาพที่พื้นหลังมีลวดลาย 100 ภาพ จากนั้นเทคนิคการใช้โมเดลสี YCbCr ถูกนำมาใช้กับภาพทั้งหมด เพื่อจำแนกสีผิวออกจากพื้นหลัง เพราะจากการศึกษาพบว่าวิธี YCbCr ค่าข้อมูลสี Cb และ Cr มีความคล้ายคลึงกับจุดภาพของสีผิวที่มีการครอบคลุมถึงสีผิวทุกเชื้อชาติได้ และโมเดลสี HSV ซึ่งสามารถบอกความบริสุทธิ์และความสว่างของสีได้อย่างชัดเจนจากนั้นเทคนิควิธีการ Sobel Edge Detection ถูกนำมาใช้ในการตรวจจับใบหน้า ขั้นต่อมาใช้เทคนิค Image segmentation เพื่อนำมาตรวจจับพื้นที่บริเวณรอบดวงตา แล้วในขั้นตอนสุดท้ายทำการหาสิ่งบดบังบริเวณดวงตา จากผลการทดลองพบว่าสำหรับภาพพื้นหลังไม่มีลวดลายหาตำแหน่งของใบหน้าได้ 96% และหาวัตถุบริเวณรอบดวงตาได้91% สำหรับพื้นหลังที่มีลวดลายหาตำแหน่งของใบหน้าได้ 86% และหาวัตถุบริเวณรอบดวงตาได้ 82% เมื่อเปรียบเทียบกับการตรวจจับพื้นที่ใบหน้าด้วยโมเดลสี YCbCr เพียงอย่างเดียว ผลการวิจัยพบว่าวิธีข้างต้นสามารถเพิ่มความถูกต้องได้7% ในการตรวจจับวัตถุบริเวณดวงตาของภาพที่พื้นหลังไม่มีลวดลาย และในกรณีภาพที่พื้นหลังมีลวดลายสามารถหาตำแหน่งของใบหน้า วิธีการข้างต้นสามารถเพิ่มความถูกต้องได้ 14% และเพิ่มความถูกต้องในการหาวัตถุบริเวณดวงตาได้ 44%
Article Details
เอกสารอ้างอิง
Ali A., N. Alsufyani, S. Hoque and F. Deravi. 2019. Gaze-based Presentation Attack Detection for Users Wearing Tinted Glasses. Eighth International Conference on Emerging Security Technologies. 1-5.
Bu W., J. Xiao, C. Zhou, M. Yang and C. Peng. 2017. A cascade framework for masked face detection. International Conference on Cybernetics and Intelligent Systems (CIS) and conference on robotics automation and mechatronics (RAM). 458-462.
Chetverikov D. and A. Lerch A. 2003. Multiresolution Face Detection. Theoretical Foundations of Computer Vision. 69: 131-140.
Deore G., R. Bodhula, V. Udpikar and V. More. 2016. Study of masked face detection approach in video analytics. The 2016 Conference on Advances in Signal Processing (CASP). 196-200.
Fu S., H. He and Z. Hou. 2014. Learning Race from Face: A Survey. Transactions on Pattern Analysis and Machine Intelligence. 36(12): 2483-2509.
Graf H.P., T. Chen, E. Petajan and E. Cosatto. 2005. Locating Faces and Facial Parts. Workshop Automatic Face and Gesture Recognition. 41-46.
Kotropoulos C. and I. Pitas. 2007. Rule-Based Face Detection in Frontal Views. Conference of Acoustics Speech and Signal Processing. 4: 2537-2540.
Raghavendra R., K. B. Raja and C. Busch. 2015. Presentation Attack Detection for Face Recognition Using Light Field Camera. Transactions on Image Processing. 24(3): 1060-1075.
Sakai T., M. Nagao and S. Fujibayashi. 1999. Line Extraction and Pattern Detection in a Photograph. Pattern Recognition. 1: 233-248.
Sopasoap S. and J. Srinonchat. 2016. Detection technique of the obstruction area in face recognition system based on YCbCr images. The 8th conference of electrical engineering network of Rajamangala University of Technology. 557-560. (in Thai)
Tachaphetpiboont S. and T. Amornraksa. 2006. Multi-modal tracking of faces for video communications. Computer vision and pattern recognition. 1-5.
Xiao J., S. Li and Q. Xu. 2019. Video-Based Evidence Analysis and Extraction in Digital Forensic Investigation. IEEE Access. 7: 5432-5442.
Yang G. and T. S. Huang. 2004. Human Face Detection in Complex Background. Pattern Recognition. 27(1): 53-63.
Yang H., C. Zou and I. Patras. 2014. Face Sketch Landmarks Localization in the Wild. IEEE Signal Processing Letters. 21(11): 1321-1325.
