Rilevamento di un determinato viso in un database di immagini facciali

Sto lavorando a un piccolo progetto che coinvolge i volti degli utenti di Twitter tramite le loro foto del profilo.

Un problema che ho riscontrato è che dopo aver filtrato tutte le immagini tranne quelle che sono chiare foto di ritratti, una piccola ma significativa percentuale di utenti di Twitter utilizza un'immagine di Justin Bieber come immagine del profilo.

Per filtrarli, come posso dire a livello di codice se un'immagine è quella di Justin Bieber?

Un'idea migliore potrebbe essere quella di eliminare tutte le immagini che compaiono nel feed di più di un utente: non è necessario alcun riconoscimento.

Ho la sensazione che http://www.tineye.com/commercial_api potrebbe essere la soluzione qui. Basta lanciare l'immagine del profilo Twitter su Tineye, vedere se restituisce immagini (e URL associati) che possono essere chiaramente identificati (o automaticamente valutati utilizzando la semplice logica del conteggio delle parole) come correlati (o di) a quel piccolo sacco di * *.

Semplici!

Dato che sei in grado di filtrare solo quelle che sono chiare foto di ritratti, suppongo che tu abbia un metodo di generazione di funzioni per trasformare le immagini grezze in funzioni utili ai fini dell'apprendimento automatico. Se questo è vero, potresti provare ad addestrare un algoritmo di classificazione (ce ne sono molti: reti neurali, ecc.) Alimentando l'algoritmo un gruppo di foto Bieber conosciute e un gruppo di non Biebers noti. Una volta addestrato il modello, potrebbe essere utilizzato per prevedere se una nuova immagine è Bieber o meno.

Questo tipo di tecnica di apprendimento supervisionato richiede che tu disponga di dati in cui conosci la risposta corretta (Bieber o no), ma probabilmente questi potrebbero essere trovati da una ricerca di immagini di Google. Richiede anche che tu abbia il giusto tipo di funzionalità e non conosco abbastanza sull'elaborazione delle immagini o sul tuo algoritmo per sapere se questo è un grave svantaggio.

È possibile utilizzare un metodo come eigenfaces, http://en.wikipedia.org/wiki/Eigenface . Di seguito viene fornita una buona panoramica della procedura e collegamenti a diverse implementazioni.

http://www.pages.drexel.edu/~sis26/Eigenface%20Tutorial.htm

Da qui è comune usarlo in un approccio di classificazione, formare un modello e quindi prevedere i casi. Potresti farlo allenandoti su un gruppo di celebrità conosciute e se prevedi un volto da Twitter come uno nel tuo modello di celebrità addestrato, rimuovilo. Simile a questo http://blog.cordiner.net/2010/12/02/eigenfaces-face-recognition-matlab/

Ciò soffre di costanti modifiche. Presto ci sarà un nuovo Justin Bieber che non sarà nel tuo modello addestrato, quindi non puoi prevederlo. C'è anche un caso come Whitney Houston, potresti non aver mai pensato di aggiungerla prima, ma potrebbe essere un'immagine comune per rispetto e ammirazione per alcune settimane. Non avrai il rovescio della medaglia delle immagini dei bambini come menzionato sopra però. Per ovviare a questi problemi potresti usare più di un approccio di clustering gerarchico. Rimuovendo i primi gruppi di cluster molto vicini se raggiungono un certo livello di supporto, il primo cluster ha 15 elementi prima che venga costruito un secondo. Ora non devi preoccuparti di chi nel tuo modello di allenamento, ma cadrai sul problema delle immagini del bambino.

http://face.com/ ha un'API di riconoscimento facciale gratuita

Se vuoi farlo da solo, consiglierei di utilizzare il progetto OpenCV (CV per computer vision) di Intel gratuito e open source.

http://opencv.willowgarage.com/

http://oreilly.com/catalog/9780596516130

Devi mettere su un algoritmo che rilevi a quale persona si riferisce l'immagine. È possibile creare un modello basato su diverse immagini di ritratti di personalità famose e utilizzare classificatori per assicurarsi che questa immagine si riferisca a una delle immagini del database. È necessario utilizzare un determinato classificatore in base a diversi parametri che piacciono al viso, come la distanza tra gli occhi o altri parametri per aumentare la precisione del modello. C'è anche l'analisi della pelle. Il più importante è costruire un buon classificatore. Questo metodo può essere vulnerabile.

Ma c'è anche un ottimo progetto che sta lavorando sul riconoscimento facciale http://opencv-code.com/Opencv_Face_Detection

Puoi provare l' hashing sensibile alla località .