افزایش سرعت آشکارسازی چهره در تصاویر ثابت با استفاده از هم‏جوشی داده‌های عمق و رنگ

پردازش چهره در اکثر‌ کاربردهای بینایی ماشین موضوعی مهم به شمار می‌رود. این پردازش می‌تواند شامل مباحثی مثل آشکارسازی چهره، ردیابی چهره، شناخت حالات چهره و شناخت افراد شود. از میان این موارد، آشکارسازی چهره پایه‌ای‌ترین و کاربردی‌ترین شاخه پردازش چهره است. علت این موضوع، کاربردهای متفاوتی است که آشکارسازی چهره داراست. برای عملی کردن این کاربرد‌ها در ابتدا نیازمند یک الگوریتم سریع و دقیق برای آشکارسازی چهره می‌باشیم. روش‌های زیادی برای افزایش سرعت اجرای الگوریتم آشکارسازی چهره ارائه شده‌اند. اما معمولا این روش‌ها دقت نهایی سیستم را کم می‌کنند. در سوی مقابل روش‌هایی که به دنبال افزایش دقت بوده‌اند، با تحمیل بار محاسباتی به سیستم، میزان سرعت را پایین آورده‌اند. در سال‌های اخیر با توجه به ارزان شدن و در دسترس عموم قرار گرفتن دوربین‌های دریافت عمق، امکان این که بتوان در یک دقت ثابت، سرعت الگوریتم را افزایش داد، فراهم شده است. در این تحقیق ما به دنبال ایجاد یک هم‌جوشی مناسب بین داده‌های عمق و رنگ برای غلبه بر مشکلات گذشته هستیم. بدین‌ترتیب که از ویژگی‌های داده‌های عمق به عنوان یک کاهنده فضای جستجو استفاده کرده تا بتوان سرعت مشخص‌سازی ناحیه چهره را در عین حفظ دقت، افزایش داد. نتایج شبیه‌سازی روش پیشنهادی نشان می‌دهد که با استفاده از این روش، سیستم آشکارسازی چهره با حفظ دقت، حدود 2.74 برابر سریع‌تر نسبت به الگوریتم ویولاجونز اجرا خواهد شد. این در حالی است که آخرین روش‌های همه‌جانبه موجود به حدود 2.5 برابر افزایش سرعت رسیده‌اند.

Accelerating Face Detection in Static Images with Fusion of RGB and Depth Data

Face detection is an important part of many computer vision systems and has several applications in areas, such as face tracking, visual surveillance, video conferencing, face recognition, intelligent humancomputer interfaces and contentbased information retrieval. For use of face detection in this applications, need a fast and precise face detection algorithm. But Detection speed of traditional face detection method based on AdaBoost algorithm is slow since an exhaustive search in image. Over the past few years, the availability of color images with corresponding depth data has increased due to the popularity of lowcost RGBDepth cameras, notably Kinect. The complementary nature of the depth and visual information provided by the Kinect sensor opens up new opportunities to solve fundamental problems in face detection with intelligently constraining search over the image. In this paper, utilize additional depth data to reduce the computational cost of face detection.  Leveraging the additional depth images from a Kinect camera, and use of Recurring in nature idea, we are able to accelerate the ViolaJones face detector by 270%.