Сравнение эластичных графов

В этой группе методов (Elastic Bunch Graph Matching) лицо представляется в виде графа, вершины которого расположены на ключевых точках лица (узлах), таких как контуры головы, губ, носы и их крайних точках. Каждая грань помечена расстояниями между её вершинами.

Рис. Представление лица в форме графа. Серые точки – контур лица, черные точки – части лица

Каждый узел характеризуется набором признаков которые извлекаются в особых точках лица. В качестве признаков, как правило используются фильтры Габора для различных частот и ориентаций. Также каждый узел характеризуется Евклидовым расстоянием до других узлов. Система состоит из блока выделения лица, блока выделения характерных точек лица, и блока идентификации лица.

Блок выделения лицаосуществляет нахождение области на изображении, в которой скорее всего расположено лицо. Для этого генерируется усредненный граф по всей обучающей выборке. Параметрами данного графа являются расстояния между его вершинами и усредненные значения признаков в каждой вершине. Затем входное изображение сканируется данным графом и в точках изображения, куда накладывается граф, вычисляются признаки. В качестве наиболее вероятной позиции лица выбирается та, у которой наименьшее суммарное различие в признаках с усредненным графом.

Блок выделения наиболее характерных точек лицасначала определяет наиболее подходящий масштаб графа, соответствующий лицу на изображении, а затем подстраивает вершины графа, так чтобы они соответствовали реальным частям лица, за которые эти вершины отвечают (гибкое сравнение признаков). Чтобы определить масштаб графа, производится следующая процедура:

1. Определяется словарь масштабов – мера отличия усредненного графа от графов-кандидатов, соответствующих распознаваемым изображениям с различными масштабами. Для этого вычисляются значения отклика:

где - признак усредненного графа в узле m,- признак графа-кандидата,- расстояние между узлами m и n на усредненному графе,- то же расстояние для графа-кандидата.

2. Последовательно меняется масштаб усредненного графа и эти графы накладываются на выделенную ранее область входного изображения. В результате получается граф . Здесь же для каждого из изображений из базы (и соответствующих им графов ) вычисляется масштаб, соответствующий наименьшему отклонению этих изображений от :

Далее для строится плотность распределения вероятностей и находится ее максимум, который и принимается за наиболее соответствующий масштаб.

После определения масштаба усредненного графа начинается процедура гибкого сравнения признаков. По окончании процедуры преобразования масштаба получаются грубые позиции характерных точек лица, которые используются как начальная информация для поиска точных позиций. Вычисляется начальный отклик

Признаки Габора и Евклидово расстояние в уравнении нормализуются на для масштаба лица. Затем генерируется новый граф путем изменения положения вершин и снова вычисляется отклик сети. Если он меньше начального отклика, то граф кандидат становится новым графом гипотез. Процедура гибкого сравнения признаков повторяется с использованием случайного диффузионного процесса. Значение в уравнении монотонно убывает в ходе процесса сравнения и определяется как

Здесь - изменение положения вершины на начальном этапе процесса сравнения; то же самое на конечном этапе; t - текущий номер шага; - общее число шагов. Метод сравнения может эффективно извлекать характерные точки лица человека не зарегистрированного в базе шаблонов, потому что усредненный шаблонный граф используется как эталонный граф. Кроме того, этот метод прекрасно работает на изображениях лиц измененных аксессуарами для лица, так как он использует пространственные взаимосвязи.

Идентификация лица осуществляется путем сравнения полученного на предыдущем шаге графа гипотез с каждым шаблонным графом из базы. Вычисляется отклик . В качестве и берутся соответственно признаки и расстояния между вершинами у шаблонных графов. Шаблон с минимальным откликом сети считается принадлежащим человеку, соответствующему входному лицу. Если отклик сети меньше определенного порога, то система принимает эту идентификацию.

К преимуществам данного метода можно отнести: инвариантность к масштабу, освещению, частичному заслонению, фону. К недостаткам - низкая инвариантность к выражению лица и положению головы в пространстве.