Классифицирование людей сообразно личику для измерения аудитории а также розыска в архиве — 6

Образцы коммерческих систем Крупная часть компаний беспрепятственно никак не приводит аккуратность собственной классификации. 3VR заявляет о средней ошибке в оценке возраста в 7 лет22 TruMedia говорит о точности классификации пола в 90% а также классификации на 3 возрастные группы (юный, зрелый, стареющий) в 85%23. В статье разрабов из фирмы ntuVision заявляется о точности классификации пола в 90% при размере лиц в 60×60 пкс а также 70-75% при 30×30 пкс24. Как теснее было произнесено, без конкретных выборок эти цифры предоставляют мало инфы, пунктуальность могла подгоняться перед ожидаемые заказчиками характеристики. Все-таки данные количества разрешено применять в качестве верхнего ориентира точности данных систем в целевых сценариях видеонаблюдения В качестве субъективного резюме: аккуратность классификации пола добивается 90%, только вероятно лишь при добротных критериях съемки. Для оценки возраста видится наиболее реалистичной пунктуальность 85% при классификации на 3 возрастные группы.

Практические выводы

Классифицирование людей сообразно личику является деятельно развивающимся курсом видеоаналитики.

1. Более перспективные ее прибавленья — обмеривание аудитории а также розыск в видеоархиве Они в особенности актуальны для торгашеских а также бизнес-центров, больших объектов транспортной инфраструктуры, в каком месте высочайшая плотность потока людей часто готовит малоприменимыми остальные методы видеоаналитики.

2. Принцип работы алгоритмов классификации людей сообразно личику совсем недалёк к методам идентификации человека. Схожи а также запросы на ракурсы видеосъемки, объяснение сцены.

3. Одной из заморочек, препятствующих беспристрастной оценке точности современных систем, является неимение признанных репрезентативных баз а также протоколов сопоставления алгоритмов.

4. В качестве топорной оценки точности имеющихся систем разрешено именовать 90% для классификации пола а также 85% для классификации людей на 3 возрастные группы.

___________________________________________ 1 http://vis-www.cs.umass.edu/lfw/. 2 www.facebook.com/Face.com. 3 www.intel.ru/content/www/ru/ru/retail/retail-aim-suite.html. 4 www.trumedia.co.il/. 5 www.aitech.es/. 6 www.inspecta.es/en/project/37. 7 www.myaudience.com/. 8 http://itseez.com/index.php?page=vcount. 9 http://synesis.ru/solutions/cassiopeia/podschet-posetitelej-v-torgovyix-setyax-i-bankax. 10 http://подсчет-посетителей.рф/. 11 http://macroscop.com/products/Intelligent_modules/. 12 www.rhondasoftware.com/software-solutions/computer-vision. 13 www.3vr.com/products/videoanalytics/demographics. 14 www.cognitec-systems.de/FaceVACS-VideoScan.20.0.html. 15 http://ssbu-t.psn-web.net/Library/Presentation_Material/English/WJ-NVF20/English/NVF20_introduction_v1.00.pdf. 16 Vaquero D.A. et. al. Attribute-based people search in surveillance environments // WACV, 2009. 17 www.intuvisiontech.com/products/softbiometry.php. 18 Shan С. Learning local binary patterns for gender classification on real-world face images // Pattern Recognition Letters, 33(4): 431-437, 2012. 19 Viola P., Jones M. J. Robust Real-Time Face Detection // Int’l J. Computer Vision, 57(2): 137-154, 2004 20 Perez C. et. al. Gender classification from face images using mutual information and feature fusion // Int. J. Optomechatronics, 6(1):92-119, 2012. 21 Chang K.-Y. et. al. Ordinal Hyperplanes Ranker with Cost Sensitivities for Age Estimation // IEEE Conf. on Computer Vision and Pattern Recognition, 2011; El Deeb M., El-Saban M. Human Age Estimation Using Enhanced Bio-Inspired Features (EBIF) // ICIP, 2010. 22 http://ipvm.com/updates/1711. 23 www.slideshare.net/PRaKEIKSMAS/trumedia-icapture#btnNext. 24 Demirkus M. et. al. Automated person categorization for video surveillance using soft biometrics // SPIE Defense and Security Conference, 2010.

С интернет-сайта: http://www.secuteck.ru/