Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8405ArticlesСтатьиResearch ArticleCreating Classifiers using Artificial Neural Networks and the ADABOOST PrincipleПостроение классификаторов с использованием искусственных нейронных сетей и принципа ADA BOOSTStadnikA VСтадникАлексей ВикторовичDepartment of Applied Mathematics and InformaticsКафедра прикладной математики и информатикиalexeystadnik@gmail.comKravchukA VКравчукАндрей ВладимировичDepartment of Applied Mathematics and InformaticsКафедра прикладной математики и информатикиawkravchuk@gmail.comGulinaK IГулинаКира ИгоревнаDepartment of Applied Mathematics and InformaticsКафедра прикладной математики и информатикиicida13@mail.ruDubna International University for Nature, Society and ManМеждународный университет природы, общества и человека «Дубна»150220142NO2 (2014)№2 (2014)43143608092016Copyright ©; 2014, Стадник А.В., Кравчук А.В., Гулина К.И.2014Стадник А.В., Кравчук А.В., Гулина К.И.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8405The problem of constructing various types of object detectors in images is still an urgent task, despite the relatively strong set of methods described in the literature. One of the methods that have become standard for the construction of efficient and fast classification, is a Viola-Jones cascade, which is still fundamental to search for objects in the image in real time and which implementation has been included in the open-source computer vision library OpenCV. For the experiments in this study we used the database of images CMU Face Database. In practice, when we use of the algorithms in computer vision the computational complexity becomes a significant factor. Preferably, one should use threshold decision rules or Haarfeatures as classifiers, which gives small the computational complexity. In this paper, the approach to the construction of classifiers of comparable performance for the problem of detecting faces. For the construction of the detector were studied approach involves separating detection process into two stages: construction the descriptor of image, and classification stage. For the phase, which responsible for the classification, were considered two possibilities: a two-layer neural network, i.e. using multilayer perceptron as a “strong” classifier, and a cascade of several such networks of different size. For the phase, which responsible for forming the descriptor, we also have investigated two possibilities. First one - fixed Haar-basis, which gives us a feature-vector of the descriptor of input image. This basis was constructed using the ADABOOST principle. The second possibility, investigated in this paper, was the construction of the basis of fewer required Haarfeatures, every of which more accurately reflects the object characteristics, which was obtained by using Karhunen-Loeve transform. In order to get Haar-features from eigenvectors, they have been quantized. As a result, the classifier built with efficiency which comparable to the Haar cascade.Проблема построения различного рода детекторов объектов на изображениях до сих пор остаётся актуальной задачей, несмотря на набор достаточно сильных методов, описанных в литературе. Одним из методов, ставших стандартом для построения эффективных и быстрых классификаторов, является каскад Виолы-Джонса, который до сих пор является основополагающим для поиска объектов на изображении в реальном времени и его реализация была включена в открытую библиотеку компьютерного зрения OpenCV. Для экспериментов в данной работе использовалась база данных изображений CMU Face Database. При прикладном использовании алгоритмов в компьютерном зрении существенным фактором становится вычислительная сложность. Предпочтительно использовать в качестве классификаторов пороговые решающие функции или Хаар-признаки, вычислительная сложность которых мала. Однако, на практике ADABOOST, как жадный алгоритм, не всегда даёт эффективную комбинацию классификаторов. В данной работе рассмотрен подход к построению классификаторов сравнимой эффективности, на примере задачи детектирования лица. Для построения детектора были исследован подход, предполагающий разбиение процесса детекции на два отдельных этапа: этап построения дескриптора изображения и этап классификации. Для этапа, отвечающего за классификацию, были рассмотрены две возможности: двухслойная нейронная сеть, т.е. использование многослойного перцептрона в качестве «сильного» классификатора, и каскад из нескольких таких сетей увеличивающего размера. Для этапа формирования дескриптора также в работе исследовались две возможности. В качестве первой был построен фиксированный базис Хаара, дающий вектор признаков в качестве дескриптора входного изображения. Данный базис был построен с использованием принципа ADABOOST. Второй возможностью, исследованной в работе, было построение базиса признаков Хаара из меньшего количества необходимых признаков, более точно отражающего характерные особенности объектов, который был получен с использованием преобразования Карунена-Лоэва. Для получения признаков Хаара собственные вектора были подвергнуты квантованию. В результате построен классификатор, сравнимый по эффективности с каскадом Хаара.ADABOOSTneural networksADABOOSTHaar-featuresobject detectionimage processingнейронные сетипризнаки Хаарадетекция объектовобработка изображений1.Viola P., Jones M. J. Rapid Object Detection using a Boosted Cascade of Simple Features // Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. - Vol. 1. - 2001. - Pp. 511-518.2.OpenCV. - 2013. - http://opencv.org.3.Rowley H.A., Baluja S., Kanade T. Neural Network-Based Face Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1998. - Vol. 20. - Pp. 23-38.4.CMU Image Data Base: Face. - http://vasc.ri.cmu.edu/idb/html/face/.5.Freund Y., Schapire R. A decision-theoretic generalization of on-line learning and an application to boosting // Journal of Computer and System Sciences. - 1997. - Vol. 55, No 1. - Pp. 119-139.6.Freund Y., Schapire R. A Short Introduction to Boosting // Journal of Japanese Society for Artificial Intelligence. - 1999. - Vol. 14, No 5. - Pp. 771-780.7.Viola P., Jones M.J. Robust real-time face detection // International Journal of Computer Vision. - 2004. - Vol. 57, No 2. - Pp. 137-154.