Вы находитесь на странице: 1из 19

 

Анализ методов распознавания и верификации лиц


  факультет естественных наук в области компьютерных наук
студент Михайлова Л.

Рига 2016
Введение

Повышенный интерес к данной технологии вызван проблемами


общественной безопасности, потребностью в удаленной аутентификации, развитием
человеко-машинных интерфейсов.
Разработка методов распознавания лиц ведется уже несколько десятилетий,
однако эта проблема попрежнему далека от завершения. Автоматическое
распознавание является непростой задачей из за переменчивых условий
визуализации лиц, связанных с освещением, положением головы по отношению к
камере, старением, мимикой и другими факторами.

Далее в работе описываются и анализируются современные методы распознавания лиц.

2
Анализ методов распознавания и
верификации лиц
Описание метода Viola Jones .Основные принципы, на которых основан метод, таковы:
используются изображения в интегральном представлении, что позволяет вычислять быстро
необходимые объекты; используются признаки Хаара, с помощью которых происходит
поиск нужного объекта (в данном контексте, лица и его черт);
используется бустинг (от англ. boost – улучшение, усиление) для выбора наиболее
подходящих признаков для искомого объекта на данной части изображения;
все признаки поступают на вход классификатора, который даёт результат «верно» либо
«ложь»,используются каскады признаков для быстрого отбрасывания окон, где не найдено
лицо. Обучение классификаторов идет очень медленно, но результаты поиска лица очень
быстры, именно поэтому был выбран данный метод распознавания лиц на изображении.
Виола-Джонс является одним из лучших по соотношению показателей эффективность
распознавания/скорость работы. 

3
• Нейронная сеть Хопфилда. Алгоритм обучения сети Хопфилда существенно отличается от
классических алгоритмов обучения персептронов тем, что вместо последовательного
приближения к нужному состоянию с вычислением ошибок, все коэффициенты весовой
матрицы рассчитываются по одной формуле, за один цикл, после чего сеть сразу готова к
работе. Ограничения метода: – запоминаемые образы не должны быть сильно похожи; –
изображение не должно быть смещено или повернуто относительно его исходного
состояния. Для устранения этих недостатков рассматриваются различные модификации
классической нейронной сети Хопфилда. Сеть Хопфилда с ортогональным
преобразованием позволяет восстанавливать сильно скоррелированные образы за счет
преобразования их исходного множества к дуальному множеству векторов. Таким
образом, получается нейронная сеть, которая может запоминать некоторое количество
векторов, и при подаче на вход любого вектора, может определить, на какой из
запомненных он более всего похож.

4
Метод главных компонентов (Principal Component Analysis, PCA). Идея метода состоит в
представлении изображений лиц в виде набора (вектора) главных компонентов
изображений, называемых «собственные лица» (Eigenfaces). Они, лица, имеют полезное
свойство: что изображение, соответствующее каждому такому вектору имеет лицеподобную
форму. Вычисление главных компонентов сводится к вычислению собственных векторов и
собственных значений ковариационной матрицы, которая рассчитывается из изображения.
Сумма главных компонент, умноженных на соответствующие собственные вектора, является
реконструкцией изображения. Для каждого изображения лица вычисляются его главные
компоненты. Обычно берется от 5 до 200 главных компонентов. Процесс распознавания
заключается в сравнении главных компонент неизвестного изображения с компонентами
всех известных изображений. При этом предполагается, что изображения лиц,
соответствующих одному человеку, сгруппированы в кластеры в собственном пространстве.
Из базы данных выбираются изображения-кандидаты, имеющие наименьшее расстояние от
входного (неизвестного) изображения .

5
• Метод Fisherfaces. Данный алгоритм не чувствителен к большим изменениям в
освещенности и выражению лица в кадре. Алгоритм предполагает наличие множества
фотографий при разных условиях освещенности у каждой персоны в базе данных. В
алгоритме, как и в EigenFaces,предполагается поиск базиса, но такого который позволил
бы максимизировать дисперсию между множествами изображений лиц и одновременно
минимизировать дисперсию внутри каждого множества. За счет множества фотографий
каждой персоны алгоритм получается устойчивым к изменениям условий освещенности,
но сохраняет недостаток алгоритма EigenFaces в отсутствии инвариантности к аффинным
преобразованиям.

6
Сравнение эффективности
Сравнение скорости работы
Сравнение сложности реализации
Эффективность процесса распознавания принято оценивать вероятностями ошибок
первого и второго рода. Ошибки первого рода (False Acceptance Rate – FAR)
характеризуют вероятность ошибочных подтверждений идентификации. Ошибка 296
второго рода (False Reject Rate – FRR) характеризуют вероятность ошибочных отказов
в правильной идентификации. В практических приложениях обычно фиксируют
допустимый уровень ошибки первого рода и стараются минимизировать ошибку
второго рода.

Метод Виолы-Джонса. Данный метод является высокоэффективным для поиска


объектов на изображениях и видеопоследовательностях в режиме реального
времени. Этот детектор обладает крайне низкой вероятностью ложного
обнаружения лица. Метод хорошо работает и обнаруживает черты лица даже
при наблюдении объекта под небольшим углом, примерно до 30°. Точность
распознавания с использованием данного метода может достигать значения свыше
90 %, что является очень хорошим результатом. При угле наклона больше 30°
вероятность обнаружения лица резко падает. Указанная особенность метода не
позволяет в стандартной реализации детектировать лицо человека, повернутое под
произвольным углом, что в значительной мере затрудняет или делает
невозможным использование алгоритма в современных производственных
системах с учетом
7
Сравнение шаблонов (TemplateMatching).
Недостаток этого метода заключаетсяв том, что он требует много ресурсов как для
хранения участков, так и для их сравнения.Ввиду того, что используется простейший
алгоритм сравнения, изображения должны быть сняты в строго установленных условиях:
не допускается заметных изменений ракурса, освещения, эмоционального выражения и
пр.Точность распознавания с использованием данного метода составляет около 80 %,что
является хорошим результатом.

Нейронная сеть Хопфилда.


Точность распознавания с использованием данного метода составляет свыше 90 %, а в
ряде случаев даже приближается к 100 %, что является почти отличным результатом. Для
большинства современных систем автоматического распознавания лиц основной задачей
является задача сравнения заданного изображения лица с набором изображений лиц из
базы данных. Характеристики систем автоматического распознавания лиц в этом случае
оцениваются путем определения вероятностей ошибочного отказа в распознавании
(ошибки первого рода) и ошибочного распознавания (ошибки второго рода). В дополнение
к вероятностям ошибок для оценки системы автоматического распознавания лиц часто
используется оценка устойчивости к возмущению изображений, вызываемая комбинацией
со сложными фонами, изменчивостью освещения, изменению прически, и т. д. Учитывая
вышеизложенное, представляется, что перспективным может являться создание
гибридных методов, использующих преимущества и нивелирующих недостатки
рассмотренных выше различных частных подходов.

8
Метод главных компонентов (Principal Component Analysis, PCA).
При несоблюдении этих условий главные компоненты не будут отражать
межклассовые вариации. Например, при различных условиях освещенности метод
собственных лиц практически неприменим, поскольку первые главные компоненты
преимущественно отражают изменения освещения, и сравнение выдает изображения,
имеющие похожий уровень освещенности. При соблюдении идеализированных
условий точность распознавания с использованием данного метода может достигать
значения свыше 90 %, что является очень хорошим результатом. Вычисление набора
собственных векторов отличается высокой трудоемкостью. Один из способов это
свертка изображений по строкам и столбцам; в такой форме представление
изображения имеет на порядок меньший размер, вычисления и распознавание
происходит быстрее, но восстановить исходное изображение уже невозможно.

9
Реализация средствами .NET или Java:
В OpenCV алгоритм поиска лиц базируется на методе Viola Jones

10
11
12
13
14
15
Распознавание лиц

16
17
Выбор алгоритма или группы алгоритмов идентификации лиц для создания практических
систем автоматического распознавания лиц должен основываться на системе оценок рабочих
характеристик конкретной системы, соответствующей ограничениям, связанным с условиями
эксплуатации данной конкретной системы, и определяется непосредственно на этапе
проектирования.
18
СПИСОК ЛИТЕРАТУРЫ

[Головко1] Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и


обучение нейронных сетей с прямыми и обратными связями - Брест:БПИ, 1999, - 260с.
[Самаль] Самаль Д.И., Старовойтов В.В. - Подходы и методы распознавания людей по
фотопортретам. - Минск, ИТК НАНБ, 1998. - 54с.
[Сам1] Самаль Д.И., Старовойтов В.В. Методика автоматизированного распознавания людей по
фотопортретам // Цифровая обработка изображений. - Минск:ИТК, 1999.-С.81-85.
[Сам2] Самаль Д.И., Старовойтов В.В. Выбор признаков для распознавания на основе
статистических данных // Цифровая обработка изображений. - Минск:ИТК, 1999.-С.105-114.
[Сам3] Самаль Д.И. Построение систем идентификации личности на основе антропометрических
точек лица // Цифровая обработка изображений. - Минск:ИТК, 1998.-С.72-79.
[Хорн] Хорн Б.К.П. Зрение роботов. - М:Мир, 1989. - 488 с.

[DCT-HMM1] Eickeler S., Muller S., Rigoll G. High performance face recognition using Pseudo 2-D
Hidden Markov Models // Gerhard-Mercator-University Duisburg, Germany, 1998. - 6 p.
[DCT-HMM2] Eickeler S., Muller S., Rigoll G. Recognition of JPEG Compressed Face Images Based on
Statistical Methods // Gerhard-Mercator-University Duisburg, Germany, 1999. - 17 p.
[EigenSign] D.B. Graham and N.M. Allinson "Face recognition using virtual parametric eigenspace
signatures," Image Processing and its Applications, pp. 106-110, 1997. {эластичные графы - решётка}
[ElWeights] Krueger N. An Algorithm for the Learning of Weights in Discrimination Functions Using a
Priori Constraints. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp.
764-768.

19