Распознавание лиц

 
 

Содержание

1. Распознавание лиц
2. Типичный метод распознавания лиц
3. Face-интеллект
4. Этапы распознавания лиц
5. Применение алгоритмов распознавания лиц
6. Создание единого портрета
7. Нахождение контрольных точек
8. Классификация
9. Основные преимущества
10. Недостатки при распознавании лица

 
 
 
 
 
 
 
 
 

Распознавание лиц

Распознавание лиц — практическое приложение теории распознавания образов, в задачу которого входит автоматическая локализация лица на фотографии и, в случае необходимости, идентификация персоны по лицу. Функцию идентификации людей на фотографиях уже активно используют в программном обеспечении для управления фотоальбомами (Picasa, iPhoto и др.).

Типичный  метод распознавания  лиц.

Преобразование исходного изображения в начальное представление (может включать в себя как предобработку, так и математические преобразования, например вычисление главных компонент);

Выделение ключевых характеристик (например берётся первые n главных компонент или коэффициентов дискретного косинусного преобразования);

Механизм классификации (моделирования): кластерная модель, метрика, нейронная сеть и т.п.

 Кроме этого,  построение метода распознавания  опирается на априорную информацию  о предметной области (в данном  случае – характеристики лица  человека), и корректируется экспериментальной  информацией, появляющейся по  ходу разработки метода.

Face-интеллект

"Face-Интеллект" - система распознавания лиц и идентификация личности по изображению

"Face-Интеллект" автоматизированная система видеозахвата и распознавания лиц по изображению лица человека. "Face-Интеллект" сканирует и "запоминает" лица всех людей, проходящих мимо видеокамеры, определяет идентичность входных данных, представляющих собой изображения лица человека, осуществляет анализ, инвариантный синтез образа объекта, сравнение с базой данных и распознавание лиц.

Разработанная технология распознавания лиц человека по изображению  базируется на алгоритмах идентификации  и сравнения изображений. Основой  этих алгоритмов является модифицированный метод анализа принципиальных компонент, заключающийся в вычислении максимально  декореллированных коэффициентов, характеризующих входные образы распознавания лиц человека.

При работе с базами данных до 100 000 изображений, что соответствует  реальной практике и потребности  правоохранительных органов большинства  государств, вероятность экспертной идентификации по первым 10 изображениям рекомендательного списка 95,6 %. 

Описание

   Система распознавания лиц "Face-Интеллект" предназначена для функционирования в местах массового скопления людей, в аэропортах, на стадионах, в зоне пограничного контроля, в исправительных учреждениях, на стратегических и военных объектах.   далее 

Результаты  тестов

      Масштабное  тестирование системы распознавания  лиц проводилось с целью определения  эффективности работы с большими массивами данных. Процесс тестирования имитировал идентификацию личности в момент документирования граждан. В режиме автоматической идентификации происходит извлечение единственного изображения из тестовой базы соответствующего предъявляемому для идентификации. При базе данных из более миллиона лиц вероятность ошибки равна 1,4 на 100 000 изображений распознавания лиц. 
 
 

Этапы распознавании лиц.

Стандартные шаги алгоритма.

• Выделение лиц из общего изображения
• Предварительные вычисления  (нормализация)
• Выделение характеристик
• Применение классификатора

Родственные задачи

• Распознавание по серии фотографии
• Комбинирование разных биометрик
• Распознавание эмоций

Дальние родственники

• Анимация лиц
• Экстраполяция по возрасту

Не первом этапе алгоритм выделяет из общего изображения лицо. Затем происходит нормализация изображения. К нормализации изображения относят следующие действия:

• Изменение разрешения изображения до 100Х100
• Преобразование цветов к 256 оттенкам серого
• Изменение суммарной яркости изображения до некоторого среднего значения.

Для некоторых алгоритмов требуется, чтобы лицо на картинке располагалось  как можно более вертикально. В таком случае поворот лица на нужный  угол происходит именно при нормализации.  Следующим этапом алгоритма распознавании является выделение характеристик имеющегося лица. Выделяемые характеристики сильно зависят от алгоритма распознавания.  После выделения характеристик картинка больше не нужна.

Последним этапом распознавания  является применение классификатора, который по имеющимся характеристикам  выдает ответ на задачу. 
 
 
 

Применение  алгоритмов распознавания  лиц.

• Криминалистика
• Компьютерная графика
• Взаимодействие компьютер-человек
• Виртуальная реальность, компьютерные игры
• Охранные системы
• Водительские права,паспорт
• Контроль над иммиграцией
• Персонализация бытовых устройств
• Шифрование данных электронная коммерция
• Криминалистика

Создание  единого портрета 

У всех людей отношения  расстояния между глазами к высоте носа примерно одинаковы. Поэтому, целесообразно выделить на лице некоторые контрольные точки, такие как нос, глаза, брови, рот скулы, щеки, подбородок. После этого для идентификации того или иного человека достаточно считать значения фильтров Габора именно в контрольных точках.

Выделим на лице некоторые  контрольные точки. Для того чтобы  определить где у человека находятся  эти контрольные точки, необходимо иметь некоторое предположение  о их расположении. Для этого построим "единый портрет".

Зафиксируем набор  интересующих нас контрольных точек(именно этот этап определяет качество алгоритма распознавания). Затем для каждого изображения из коллекции укажем, где находится каждая из контрольных точек, и посчитаем значения 40 фильтров Габора в этих точек. Вектор состоящий из 40 значений фильтров Габора, посчитанных в конкретной точке называется jet'ом этой точки. Теперь усредним расстояния между контрольными точками. Также усредним jet'ы.

Итого мы получили некоторый  граф, в котором вершинам соответствуют контрольные точки, а длины ребер равны средним расстояниям между данными контрольными точками. Кроме того в каждой вершине хранится один "средний" jet. 
 
 
 

Нахождение  контрольных точек

Получили на вход новое лицо . Как найти контрольные точки?

• Параллельно перемещаем большими шагами решетку по лицу, считаем значения в точках сравниваем с эталонным набором значений.
• Выбираем оптимальное расположение.
• Выбираем масштаб и делаем маленькие шаги вокруг центра
• Независимо перемещаем отдельные контрольные точки

После получения  на вход нового лица прежде всего надо найти положение контрольных точек на нем.

Стоит пояснить, в каком смысле мы ищем положение контрольных точек. Для каждой точки известен её jet. Мы хотим найти такой вектор точек, чтобы jet каждой точки вектора был как можно ближе к jet’у соответствующей контрольно точки. При этом мы также хотим чтобы расстояния между выбранными точками были как можно более пропорциональны длинам ребер графа «единого портрета». Таким образом можно ввести некоторый вектор от набора точек, а затем ее минимизировать (найти вектор, на котором достигается минимальное значение).

Имеется довольно много методов минимизации различных  функций. Для данного случая подходит очень просто метод. Сначала большими шагами параллельно перемещаем решетку  «единого портрета» и сравниваем поучающиеся jet’ы контрольных точек с эталонными. После того как мы выяснили примерное расположение решетки, повращаем и порастягиваем ее. Затем начнем независимо перемещать каждую контрольную точку на незначительное расстояние. Этот метод находит не полностью минимизирующий набор точек, но в задаче распознавания лиц эти точки можно считать контрольным точками изображения. распознавания лиц эти точки можно считать контрольным точками изображения. 

Классификация

После того как мы нашли контрольные точки изображения, мы имеем вектор нового изображения, являющий набором jetов всех контрольных точках. Требуется определить, какому лицу (человеку) соответствует данный вектор. Для этого применяются стандартные методы классификации, например, метод k соседей. Вектором нового изображения будет набор значений фильтров Габора во всех контрольных точках.  (Фильтры Габора обладают прекрасной геометрической устойчивостью, а именно они устойчивы к операциям масштабирования, поворота, изменение яркости и контрастности.)

Основные  преимущества

1. Достаточно одного обучающего лица
2. Устойчивость к геометрическим трансформациям.
3. Устойчивость к освещению и позе.

 

Недостатки  при распознавании лица. 

При решении задачи распознавания лиц возникают две проблемы.

1 Избыточность информации.

Во первых любая картинка представляет собой массив пикселей. В то же время один пиксель ничего не значит(его цвет можно изменить и никто ничего не заметит). Это делает такое представление картинок избыточным и неэкономичным. Таким образом для эффективного распознавания лиц необходимо разработать некоторый удобный и компактный формат представления картинок. На сегодняшний день известно множество способов сжатия изображений с потерями, но используемый в нем формат не удобен для классификации фотографий людей, хотя бы, потому что для решения задачи распознавания лиц требуется гораздо меньше информации. Это связано в первую очередь с тем, что нет необходимости определять, как выглядит данный человек из коллекции, а требуется решить обратную задачу: какой человек из коллекции выглядит данным образом.

2 Геометрические деформации.

Вторая проблема заключается в том, что одно и  то же лицо может быть сфотографировано при различных внешних факторов, таких как свет, поза, эмоции.