s604-wykrywanie twar..

rozpoznawanie twarzy,
przetwarzanie obrazów cyfrowych,
wyszukiwanie obrazów
Tomasz CHWISZCZUK
Janusz SOBECKI*
WSZUKIWANIE I IDENTYFIKOWANIE OSÓB NA PODSTAWIE
OBRAZÓW CYFROWYCH ZAMIESZCZONYCH W SIECI INTERNET
Rozpoznawanie twarzy na obrazach cyfrowych od pewnego czasu dojrzało do wielu zastosowań
praktycznych. Nie znaczy to oczywiście, że badania prowadzone w tej dziedzinie przestały być
prowadzone. Nad identyfikacją osób na podstawie ich obrazów cyfrowych pracuje wiele zespołów
badawczych na całym świecie, dotyczą one nie tylko wzrostu efektywności rozpoznawania obrazów
twarzy wykonanych w warunkach kontrolowanych ale coraz częściej na dowolnych, również grupowych
zdjęciach. W referacie zaprezentowano metodę lokalizacji, wyodrębniania oraz rozpoznawania twarzy na
podstawie informacji o wartościach kolorów punktów na zdjęciach w postaci cyfrowej obrazie pobranym
z kamery. Przedstawiono również koncepcję wykorzystania tej metody w Internetowej wyszukiwarce
obrazów wybranych osób.
1. WPROWADZENIE
W ostatnich latach automatyczne rozpoznawanie osób na podstawie obrazów
cyfrowych ich twarzy cieszy się sporym zainteresowaniem badaczy związanych z różnymi
dziedzinami informatycznymi m.in. grafiką komputerową i sztuczną inteligencją.
Zagadnienie to znajduje szerokie zastosowanie w wielu dziedzinach życia takich jak:
kryminalistyka, medycyna, monitorowanie pomieszczeń, autoryzacja dostępu czy też, co
jest przedmiotem tej pracy, wyszukiwanie osób na zdjęciach.
Rozpoznawanie osób na podstawie obrazów cyfrowych ich twarzy składa się
generalnie z dwóch etapów: lokalizacji ludzkiej twarzy na zdjęciu oraz jej późniejszej
identyfikacji. Istnieje obecnie wiele metod służących do wyodrębniania twarzy ze zdjęcia,
często bazują one jednak na określonych założeniach, są zatem skuteczne tylko w pewnych
okolicznościach (zdjęcia typu portretowego, jednolite tło itp).
W referacie zostaną zaprezentowane zarówno metody służące do wyodrębniania
obrazu twarzy ze zdjęć w postaci cyfrowej jak i metody służące do identyfikacji
konkretnych osób na podstawie zapamiętanych wzorców. W referacie zostanie
przedstawiona również implementacja wybranych metod wykorzystana w aplikacji służącej
do wyszukiwania w sieci Internet zdjęć zawierających konkretne osoby, opierając się na
*
Wydziałowy Zakład Systemów Informacyjnych, Politechnika Wrocławska ul. Wyb. Wyspiańskiego 27,
50-370 Wrocław,(e-mail: [email protected].)
zdolności rozpoznawania ich twarzy. Przedstawione zostaną również metody zdolne
odnaleźć szukaną osobę na dowolnym zdjęciu, na którym jest ona widoczna. Lokalizowanie
twarzy odbywa się poprzez wyodrębnienie z obrazu obszarów odpowiadających barwie
ludzkiej skóry, a następnie odrzuceniu takich obszarów, w których nie udało się odnaleźć
linii oczu i ust. Do identyfikacji tak wyodrębnionych ze zdjęcia twarzy zostaną
wykorzystane sieci neuronowe, uczone rozpoznawać konkretne osoby na podstawie
charakterystycznych cech twarzy oraz odpowiednio dobranym ciągom uczącym w postaci
przykładowych obrazów ich twarzy w różnych ujęciach.
1.1. STOSOWANE METODOLOGIE W ROZPOZNAWANIU TWARZY
Do rozpoznawania twarzy na obrazach cyfrowych stosuje się wiele różnorodnych
metod, ich przegląd można znaleźć w pracy [1]. Wykorzystują one wiele technik znanych
także z innych zastosowań takich jak: sieci neuronowe, uczenie maszynowe,
dopasowywanie szablonów (ang. template matching), transformata Hough’a czy wreszcie
analiza kolorów. Jednak praktycznie najważniejsze znaczenie mają metody wykorzystujące
sieci neuronowe oraz analizę kolorów bazujące na informacji o wartościach kolorów
punktów na obrazie i barwie ludzkiej skóry w komputerowym modelu barw oraz sieciach
neuronowych [1].
Pierwszą metodę zastosował w swojej pracy Rein-Lien Hsu [2] uzyskując na zbiorze
382 zdjęć rodzinnych (1.72 twarzy na obrazek) skuteczność detekcji 80.35% oraz 10.41%
błędnych detekcji. Algorytm składa się z kilku etapów, m.in. kompensacji światła na
obrazie wejściowym w celu uniezależnienia wpływu oświetlenia na kolor ludzkiej skóry,
detekcję obszarów skóry przy użyciu modelu barw YCbCr oraz ich weryfikację m.in.
poprzez lokalizację linii oczu oraz ust (bazując na fakcie, że barwę pikseli w okolicach oczu
cechują wysokie wartości składowej Cb oraz niskie składowej Cr, wysokie wartości Cr w
okolicach ust oraz, że okolice oczu zawierają piksele zarówno o niskiej jak i wysokiej
jasności – składowa Y). Następnie generowana jest elipsa zawierająca obszar twarzy,
posiadająca orientację wyznaczaną przez wektor, którego końcem są usta a początkiem
środek odcinka łączącego oczy.
Rowley, Baluja i Kanade [3] prezentują algorytm bazujący na użyciu sieci
neuronowych, którego skuteczność w zależności od stosowanej architektury (kilkanaście
wariantów) wahała się od 86% do 97% poprawnych detekcji. Algorytm składa się z dwóch
głównych etapów – najpierw obraz wejściowy poddawany jest działaniu filtrów bazujących
na sieciach neuronowych, które badają każdą część obrazu wejściowego w kilku różnych
skalach, szukając lokacji mogących zawierać twarz. Następnie uruchamiany jest mechanizm
łączący uzyskane z indywidualnych filtrów wyniki i eliminujący błędne lub nadmiarowe
obszary. W celu zmniejszenia błędu fałszywych identyfikacji, zastosowanych zostało kilka
niezależnie uczonych sieci, a część wspólną ich odpowiedzi traktowano jako odpowiedź
systemu.
Wśród algorytmów służących do identyfikacji twarzy często wykorzystywaną techniką
jest technika dopasowywania grafu (ang. graph matching), w której obiekty przedstawia się
w postaci grafów z wierzchołkami odpowiadającymi elementom twarzy oraz krawędziom
obrazującym odległości między nimi, a proces identyfikacji polega na znalezieniu grafu
najbardziej pasującego do zadanego. Stosując tą metodologię Martin Lades [4],
przeprowadzając testy na 87 zdjęciach z dopuszczalnym odchyleniem twarzy 15 stopni od
pozycji frontalnej, uzyskał bardzo wysoką skuteczność, niestety kosztem wydajności (czas
porównania jednego zdjęcia z zawartością bazy danych wynosił ok. 25 s).
Ulepszoną wersję techniki dopasowywania grafu (ang. morphological elastic graph
matching) prezentuje w swojej pracy C. Kotropoulos [5], proponując jako alternatywę do
używanego w podstawowej metodzie wyznaczania wektora cech na bazie filtrów Gabora,
zastosowanie wieloskalowych morfologicznych filtrów rozszerzających/erodujących (ang.
multiscale morphological dilation-erosion), co pozwoliło na zwiększenie skuteczności
bazowej metody (spadek błędu EER z 5.4% do 3.7%).
Innym rozwiązaniem może być bezpośrednie porównanie, polegające na obliczeniu
różnicy wartości pikseli pomiędzy obrazem badanym a wzorcem (bądź kilkoma wzorcami)
zawartymi w bazie danych. Wadą tej metody są dość restrykcyjne warunki jakie muszą być
spełnione, aby dopasowanie przebiegło pomyślnie (ten sam rozmiar obrazów, zbliżone
naświetlenie, orientacja twarzy).
2.
ZASTOSOWANA METODA ROZPOZNAWANIA TWARZY
Rozpoznawanie osób na podstawie obrazów cyfrowych obejmuje dwa główne etapy:
lokalizację oraz identyfikację twarzy. Większość obecnych metod lokalizacji twarzy
ogranicza się tylko do pewnego rodzaju zdjęć (np. portretowych), aby ominąć trudności
związane z takimi czynnikami jak niejednolite tło czy oświetlenie, różne kąty nachylenia
twarzy czy obecność wielu ludzkich twarzy na obrazie. Planowane wykorzystanie metody
rozpoznawania twarzy na obrazach cyfrowych zamieszczonych w sieci Internet wymaga
zastosowania algorytmów zdolnych do lokalizowania ludzkich twarze na dowolnych
rodzajach fotografii. Identyfikacja tak znalezionych obszarów twarzy odbywać się będzie
przy pomocy sieci neuronowych uczonych rozpoznawać twarze konkretnych osób.
2.1. ALGORYTM LOKALIZACJI TWARZY NA OBRAZIE
Algorytm lokalizacji twarzy na obrazie bazuje na odnalezieniu na obrazie
odpowiednio dużych skupisk pikseli, których barwa odpowiada kolorowi ludzkiej skóry, a
następnie ujęciu ich w prostokątne ramki i przeskalowaniu do ustalonych rozmiarów w celu
poddania dalszej analizie.
DANE
szerokość oraz wysokość obrazu wejściowego (OX oraz OY)
szerokość oraz wysokość obrazu wyjściowego (VX oraz VY)
bazowa wartość barwy piksela odpowiadająca kolorowi ludzkiej skóry (H)
zakres tolerancji barwy pikseli odpowiadających kolorowi ludzkiej skóry w stosunku do
bazowej wartości Hue (HR)
wielkość okna filtra usuwającego szumy (F)
tolerancja filtra usuwającego szumy - procent białych pikseli wewnątrz badanego wycinka
obrazu wymaganych do „wygaszenia” badanego piksela (T)
zakres wartości luminacji pikseli odrzucanych jako zbyt ciemne bądź zbyt jasne (B)
zakres wartości nasycenia pikseli odrzucanych jako zbyt szare (S)
wartość barwy danego piksela obrazu wejściowego (P)
KROK1 /*wyznaczanie obszarów ludzkiej skóry*/
Dla każdego piksela obrazu wejściowego (P) sprawdź czy należy on do obszaru
odpowiadającego kolorowi ludzkiej skóry, zgodnie z zasadą:
(H-HR < P < H+HR) and (B < P < 100-B) and (S < P)
Piksele spełniające powyższe warunki oznacz jako czarne (uwaga: na poniższych zdjęciach
dla zachowania czytelności zachowano różne skale szarości), a nie spełniające jako białe.
Rys. 1 Wyznaczanie obszarów występowania ludzkiej skóry
KROK2 /*filtrowanie zakłóceń*/
Tak otrzymany binarny obraz przefiltruj pod kątem usunięcia zakłóceń (pojedynczych
czarnych pikseli bądź ich małych skupisk), stosując filtr o wielkości okna F oraz tolerancji
T, zgodnie z następującą metodyką:
Dla każdego piksela obrazu* wytnij z obrazu wejściowego okno o wymiarach FxF, tak aby
badany piksel był jego centralnym punktem†.
Niech:
N– ilość czarnych pikseli w badanym wycinku obrazu
Wtedy:
Jeśli N*100/F*F < T to badany piksel oznacz jako biały – wygaszenie
KROK3 /*segmentacja obszarów*/
Wyznacz ilość potencjalnych obszarów twarzy oraz znajdź współrzędne okien w których się
zawierają, według zasady:
Dla każdego piksela obrazu sprawdź czy jest on czarny. Jeśli tak, wypełnij obszar do
którego należy kolejnym kolorem (różnym od czarnego i białego) i zwiększ ilość obszarów o
1. Następnie dla każdego z użytych wcześniej kolorów wypełniania, znajdź minimalną oraz
maksymalną wartość X i Y jego występowania w obrazie wejściowym. Tak znalezione
współrzędne zapamiętaj jako lewy górny oraz prawy dolny róg okna wyznaczającego
potencjalny obszar twarzy.
* oprócz pewnej warstwy pikseli brzegowych, których nie da rady umieścić w oknie filtra, gdyż wychodzi ono wtedy
poza ramy obrazu wyjściowego. Oczywiście im większe okno filtra, tym „grubsza” warstwa pomijanych pikseli
† dlatego też F musi być liczbą nieparzystą
Rys.2. Filtrowanie zakłóceń
Rys.3. Segmentacja obszarów
KROK4 /*wstępna weryfikacja*/
Z tak wyznaczonych potencjalnych obszarów twarzy odrzuć te o zbyt małych rozmiarach,
według zasady:
Niech:
(x1,y1,x2,y2) – współrzędne okna
Wtedy:
Jeśli (x2-x1 < VX) and (y2-y1 < VY) to odrzuć obszar
Rys.4. Wstępna weryfikacja
KROK5 /* interpolacja*/
Wyznaczone wcześniej potencjalne obszary twarzy przeskaluj do jednakowych rozmiarów
(VXxVY) stosując algorytm interpolacji dwuliniowej, pozwalającej uniknąć efektu
pojawiających się pikseli na obrazie.
Rys.5. Interpolacja
KROK6 /*wektory cech*/
Z przeskalowanych wcześniej obszarów twarzy wygeneruj wektory cech (ciąg liczb długości
VX*VY będący odpowiednikiem poziomów szarości każdego z pikseli obszaru) , które
podane zostaną na wejście sieci neuronowej w celu ustalenia czy są one twarzą
poszukiwanej osoby.
Kroki algorytmu od 1 do 6 powtarzane są kilkakrotnie dla każdego obrazu z różnymi
zestawami parametrów H, HR, F, T, B oraz S, jako że nie da się znaleźć uniwersalnego dla
wszystkich zdjęć zestawu parametrów. Prowadzi to oczywiście do częstej redundancji
wyników oraz znalezienia większej ilości obszarów nie będących twarzami, pozwala jednak
na wydobycie z obrazu wszelkich obszarów, które potencjalnie zawierają obrazy twarzy.
Natomiast błędne zidentyfikowane obszary zostają i tak w dalszym procesie odrzucone
przez sieć neuronową.
2.2. IDENTYFIKACJA TWARZY
Do identyfikacji wyodrębnionych w poprzednim etapie twarzy posłużyła sieć
neuronowa, a konkretnie program Student Version Basis of AI Backprop autorstwa Donalda
R. Tveter’a w wersji z listopada 1998r. Sieć neuronowa zbudowana jest z kolejnych warstw
neuronów, połączonych każdy z każdym. Wszystkie połączenia posiadają swoje wagi,
których poprawne wyznaczenie jest celem uczenia sieci neuronowej. Odbywa się to poprzez
podawanie na wejście sieci ciągów uczących, tzn. zbiorów danych dla których znamy
rozwiązanie. Sieć generuje odpowiedź i sprawdza ją z rzeczywistym wynikiem, jeśli błąd
sieci jest zbyt duży, następuje odpowiednia modyfikacja wag (wg zadanego algorytmu).
Zastosowana aplikacja działa w oparciu o algorytm wstecznej propagacji błędów (ang.
backpropagation). Polega on na wyznaczaniu wektora gradientu powierzchni błędu, tzn.
kierunku w którym wzrost funkcji błędu jest najszybszy. Tak więc modyfikacja wag
odbywa się dokładnie w przeciwnym kierunku w celu zmniejszenia funkcji błędu. Wagi
ustalane są na nowo i powtórnie analizowane są wszystkie ciągi uczące, aż do momentu
uzyskania odpowiednio małego błędu.
3. WYNIKI EKSPERYMENTÓW
3.1. LOKALIZACJA TWARZY NA OBRAZIE
Wstępne eksperymenty przeprowadzone na zbiorze około 100 różnorodnych zdjęć,
pokazały, że najbardziej optymalny zestaw parametrów algorytmu lokalizacji twarzy na
obrazie to: H=25, HR=15, F=9, T=80, S=10 (przy zakresie S 0-100), B=50 (przy zakresie B
0-255). Mimo dość dużej skuteczności lokalizacji twarzy przy takich właśnie parametrach
udawało się znaleźć ok. 75-80% obrazów twarzy, czyli wciąż około 25% twarzy było
pomijanych. Stąd koncepcja zastosowania do każdego z badanych zdjęć kilku zestawów
parametrów i zsumowania wyników ich detekcji o czym mowa w powyższym algorytmie.
Po przeprowadzeniu eksperymentów na 32 zestawach parametrów, wytypowanych
zostało kolejnych 4, których zastosowanie pozwoliło na zwiększenie skuteczności detekcji
do ok. 85-90%.
3.2. IDENTYFIKACJA TWARZY
Do nauki sieci neuronowej wykorzystanych zostało: 110 obrazów twarzy osoby X,
które zostały wykonane w różnych warunkach oświetleniowych, na dowolnym tle, z twarzą
ustawioną pod różnymi kątami, nie większymi jednak niż 30 stopni od pozycji frontalnej
oraz 110 dowolnych obrazów nie zawierających żadnych twarzy jak i zawierające twarze
innych osób. Obrazy zostały podzielone na trzy ciągi: uczący, walidacyjny* oraz testowy† w
następujący sposób: po 50 zdjęć pozytywnych oraz negatywnych jako ciąg uczący oraz
odpowiednio po 30 zdjęć na ciągi walidacyjny oraz testowy.
Struktura sieci neuronowej, za pomocą której udało się uzyskać najlepsze wyniki
składała się jedynie z 2 warstw neuronów: wejściowej (400 neuronów – VX=20 na VY=20,
reprezentującej poziomy szarości pikseli obszaru wejściowego) oraz wyjściowej (2 neurony
reprezentujące dwie klasy identyfikacji). Wprowadzanie warstw ukrytych‡ o dowolnej
wielkości zwiększało jedynie błąd sieci oraz wydłużało znacznie czas treningu. Mogło to
wynikać z faktu, iż zastosowanie zbyt skomplikowanej w stosunku do problemu sieci, czyli
sieci o zbyt dużej liczbie warstw i zbyt dużej liczbie neuronów w warstwach ukrytych,
prowadzi często do uczenia się „na pamięć” całego zbioru uczącego, co w efekcie daje
bardzo dobre wyniki na zbiorze treningowym, a słabe na testowym. Z drugiej strony trzeba
jednak pamiętać, że sieci nie posiadające warstw ukrytych są w stanie jedynie modelować
proste zależności liniowe [6]. Wyniki działania sieci neuronowych użytych do identyfikacji
różnych par typów obrazów przedstawiono w tabeli 1.
Lp.
1.
2.
3.
4.
Porównanie§
TX z T
TX z T i NT
TX z NT
T z NT
Pozytywna identyfikacja
71,67
73,33
91,67
70,00
Współczynnik błędu
0,31225
0,26788
0,09054
0,28832
Tab.1. Eksperymentalne wyniki działania sieci neuronowych
* Ciąg walidacyjny służy do niezależnej kontroli procesu uczenia, pozwala uniknąć efektu przeuczenia sieci, czyli
nadmiernego dopasowania do ciągu uczącego. Jeśli błąd dla ciągu uczącego spada, natomiast dla ciągu walidacyjnego
zaczyna w pewnym momencie rosnąć lub długo się nie zmienia, oznacza to, że sieć zbytnio dopasowała się do ciągu
uczącego i traci zdolność do generalizacji wyników uczenia.
† Służy do testowania sieci, w celu upewnienia się, że rezultaty otrzymane w procesie uczenia są zgodne z
rzeczywistością.
‡ Warstwa neuronów znajdująca się pomiędzy warstwą wejściową a wyjściową.
§ TX – twarze osoby X, T – dowolne twarze, NT – obrazy nie zawierające twarze ale wyodrębnione przez algorytm
4. INTERNETOWA WYSZUKIWARKA VIP-FINDER
Zadaniem wyszukiwarki jest z jednej strony wyszukiwanie pojawiających się w sieci
Internet zdjęć zawierających potencjalnie zdjęcia wybranych osób. Z drugiej natomiast,
prezentowanie zdjęć zawierających wybrane osoby. Na potrzeby działania tego systemu
wybrano w tym celu kilku najbardziej znanych polityków z Polski i ze świata. Serwisami
na, których można znaleźć takie zdjęcia są oczywiście serwery takich tytułów prasowych
jak Rzeczpospolita, Gazeta, Neesweek, Times itp. Następnie należy dla każdej z wybranych
osób zgromadzić odpowiednio liczną próbkę zdjęć wykonanych z różnych ujęć. Następnie
wyodrębnić z tych zdjęć same obrazy ich twarzy z wykorzystaniem przedstawionej metody
wyodrębniania, następnie należy obrazy te zakwalifikować do odpowiedniej klasy ujęcia (z
przodu, lewy profil, prawy profil, lewy-półprofil, prawy-półprofil), uwzględniając
ewentualnie również widok z dołu i góry. Na podstawie serii takich zdjęć należy
przygotować sieci neuronowe, które odróżniają dane ujęcie od innych obrazów typu T i NT,
dla każdego ujęcia i dla każdej z wybranych osób. W ten sposób wyszukiwarka dysponuje
mechanizmem, który pozwala przypisać określoną wagę reprezentującą stopień
podobieństwa każdego wyodrębnionego do określonego ujęcia zadanej osoby. Każde
wyszukane zdjęcie zawierające przynajmniej jedną z wybranych twarzy zostaje
umieszczone w bazie wraz z informacją o stopniu podobieństwa do określonego ujęcia oraz
lokalizacji danego fragmentu na obrazie. Lokalizowanie i indeksowanie obrazów odbywa
się w czasie gdy system i sieć jest najmniej obciążona.
Wyszukiwanie przy pomocy VIP-FINDER polega na połączeniu się ze stroną
wyszukiwarki, wybraniu określonej osoby i/lub jej wybranego ujęcia z listy tekstowej lub
zestawu zaprezentowanych zdjęć. Wyniki wyszukiwania pobierane są z przygotowanej
uprzednio bazy i prezentowane użytkownikowi postaci listy pomniejszonych obrazów
uszeregowanych wg malejących wag podobieństwa. Na życzenie użytkownik może
otrzymać powiększone zdjęcie wraz z zaznaczonym zidentyfikowanym obszarem oraz
oryginalnym URL-em tego obrazu.
5 PODSUMOWANIE
Przedstawioną metodę wyszukiwania można zastosować również do innych celów, np.
wspomagania znajdowania poszukiwanych przez policję osób na podstawie obrazów
cyfrowych wykonywanych przez kamery cyfrowe umieszczane obecnie w wielu miejscach
publicznych takich jak sklepy, dworce, lotniska itp.
Efektywność zaprezentowanej metody nie jest zbyt wysoka, jednak w porównaniu z
innymi metodami wykorzystującymi np. NMSE [6] niezbyt czasochłonna, gdyż należałoby
przeprowadzić porównania z . Jeżeli zależałoby nam na zwiększeniu precyzji wyszukiwania
dla wstępnie wyselekcjonowanych obrazów oraz określonych rodzajów ujęć konkretnej
osoby można przeprowadzić dodatkową weryfikację przy użyciu tej metody, której błąd
wynosi jedynie 5% a skuteczność 91% [6]. Przy wykorzystaniu NMSE spore znaczenie ma
również jasność obrazu więc należałoby również uwzględnić konieczność przeprowadzenia
wyrównania histogramem.
LITERATURA
[1] D. Maio and D. Maltoni, "Real-time face location on gray-scale static images,'' Pattern Recognition, vol.33, no. 9,
pp. 1525-1539, Sept. 2000.
[2] R.-L. Hsu, M. Abdel-Mottaleb, and A. K. Jain, “Face detection in color images”, Proc. International Conference on
Image Processing (ICIP) , Greece, October 7-10, 2001.
[3] H. A. Rowley, S. Baluja, and T. Kanade, "Neural Network-Based Face Detection," IEEE Trans. PAMI, vol. 20, pp.
23-38, Jan. 1998.
[4] Martin Lades, Jan.C Vorbrüggen, Joachim Budmann, Jörg Lange, Christoph
von der Malsburg, Rolf P.Würtz, Wolfgang Konen, "Distortion invariant object recognition in the dynamic link
architecture”, IEEE Transactions on Computers, 42(3), pp.300-311, 1993
[5] C. Kotropoulos, A. Tefas, and I. Pitas, "Frontal face authentication using morphological elastic graph matching,''
IEEE Trans. Image Processing, vol. 9, pp. 555-560, April 2000.
[6] Pieczyńska-Kuchtiak A., Sobecki J. Rozpoznawanie osób na podstawie obrazów cyfrowych zawierających ich
twarze. W: Multimedialne i sieciowe systemy informacyjne. Materiały konferencyjne pod red. Czesława
Daniłowicza. [Wrocław, 18-19 września 2000]. Wrocław: Oficyna Wydaw. PWroc. 2000 s. 207-216.
ABSTRACT
Computer face recognition matured recently to many practical applications. This does not end
research in the field. In the paper the method for face location and isolation from photos taken in the
controlled conditions as well as uncontrolled conditions is presented. The method considers colors of
pixels. The face identification is made using the neuron nets. These methods are applied to the web-based
face retrieval of selected persons.