
- •Разработка и макетирование устройства распознавания пользователей бытовой техники
- •Содержание
- •1. Сравнительный анализ и выбор принципов построения сенсорной части устройства
- •2. Разработка интерфейса взаимодействия системы распознавания с пользователями
- •3. Обзор методов биометрической идентификации личности по лицу
- •3.1 Особенности и проблемы распознавания лиц
- •3.2Методыудалениефона
- •3.3. Обзор алгоритмов обнаружения лица человека на изображении
- •3.3.1. Эмпирические методы
- •Распознавание "сверху-вниз".
- •Распознавание "снизу-вверх".
- •3.3.2. Моделирование изображения лица
- •Неадаптивные методы
- •Моделирование класса изображений лиц с помощью метода главных компонент
- •Моделирование класса изображений лиц с помощью Факторного Анализа (Factor Analysis, fa)
- •Адаптивные методы
- •Линейный Дискриминантный Анализ (Linear Discriminant Analysis, lda)
- •Метод Опорных Векторов (Support Vector Machines, svm)
- •Искусственные Нейронные Сети (Neural Networks, nn)
- •Sparse Network of Winnows (sNoW) - «Разреженная сеть просеивающих элементов».
- •Скрытые Марковские Модели (Hidden Markov Models)
- •Active Appearance Models (aam) – «Активные модели внешнего вида»
- •Алгоритм Viola-Jones
- •3.4 Обзор методов распознавания лиц
- •3.4.1. Классификация методов распознавания
- •3.4.2. Методы, основывающиеся на анализе локальных признаков
- •Контурные (эластичные) модели лица (Flexible Appearance Models)
- •Сравнение эластичных графов
- •Методы, основанные на геометрических характеристиках лица
- •Сравнение эталонов
- •Метод наиболее информативных областей (нио)
- •Скрытые марковские модели
- •Морфинговые модели
- •3.4.3. Методы, основывающиеся на анализе глобальных признаков Дискриминантные методы
- •Линейный дискриминантный анализ
- •Анализ главных компонент
- •Анализ независимых компонент
- •Топографический независимый факторный анализ
- •Оптический поток
- •3.4.4. Общие методы Фильтры Габора
- •Моменты
- •Нейронные сети
- •3.4.5. Методы классификации
- •Статистические классификаторы
- •Классификаторы на основе построения разделяющих гиперповерхностей
- •Классификаторы, основанные на принципах потенциалов
- •Классификаторы экземпляров
- •Нейросетевые классификаторы
- •4. Выбор оптимальных методов решения задачи распознавания лиц
- •5. Определение набора тестов для проверки качества работы системы распознавания
- •5.1. Тестирование подсистемы удаления фона
- •5.2. Тестирование подсистемы обнаружения лиц
- •5.3. Тестирование подсистемы распознавания лиц
- •5.4. Face Databases
- •6. Разработка алгоритмического обеспечения комплекса.
Морфинговые модели
Стандартные морфинговые модели являются методом, основанным на анализе изображения для представления и сравнения классов объектов (таких как лица). Для каждого их объектов, подлежащего распознаванию строится так называемая морфинговая модель, позволяющая сравнить новое изображение из этого класса объектов.
Получившиеся параметры модели можно использовать для множества задач анализа изображений таких как верификация объектов, распознавание лиц и анализ выражений лиц. Одной из проблем, связанных с морфинговыми моделями, является количество примеров изображений необходимых для описания класса объектов.
Существуют иерархические морфинговые модели, в которых модель строится не для всего лица, а для каких-то частей (носа, глаз, рта). Лица могут моделироваться с помощью форм и текстур, в виде 3D-модели головы, в форме 3-мерной решетки и др.
При задании морфинговой модели для класса объектов, она «обучается» на множестве прототипных изображений (под прототипом понимается изображение лица из обучающей выборки).
Плюсами иерархической морфинговой модели являются инвариантность к фону, освещению, положению головы в пространстве, мимике лица, частичному заслоению. Недостатки - отсутствие инвариантности к масштабу.
3.4.3. Методы, основывающиеся на анализе глобальных признаков Дискриминантные методы
На текущий момент разработано множество разных дискриминантных методов.
Предположим,
есть N человек, и обучающая
выборка содержит их фотографии размера
.
Требуется классифицировать не
присутствующую в обучающей выборке
фотографию человека, т.е. определить
который из N человек
изображен на этой фотографии.
Каждая
фотография является точкой в пространстве
размерности .
У каждого человека в обучающей выборке
есть несколько фотографий, представляющих
собой несколько точек в этом многомерном
пространстве и образующих некоторую
область. Суть всех дискриминантных
методов заключается в том, чтобы построить
некое разбиение этого многомерного
пространства, разделив области
принадлежащие разным людям. Это позволит
определить, к какому из N
классов образов принадлежит новая
фотография, т.е. который из N
человек изображен на ней.
К положительным свойствам дискриминантных методов можно отнести инвариантность к выражению лица, положению головы в пространстве и иногда к освещению. Однако, они не обладают инвариантностью к масштабу, к частичным заслонениям лица, к фону.
Наиболее известные дискриминантные следующие:
линейный дискриминантный анализ (ЛДА)
метод главных компонент
общие дискриминантные вектора (ОВД);
дискриминантный факторный анализ (ДФА);
независимый факторный анализ (НФА);
топографический независимый факторный анализ (ТНФА).
Линейный дискриминантный анализ
Синонимы: Linear Discriminate Analysis (LDA), линейный дискриминант Фишера, лица Фишера (Fisher Faces)
В линейном дискриминантном анализе осуществляется линейное преобразование, отражающее исходное n-мерное пространство изображений в m-мерное пространство признаков, где m<n. Вектор признаков определяется линейным преобразованием W
которое выбирается так чтобы максимизировать отношение определителя межклассовой матрицы разброса к определителю внутриклассовой матрицы разброса отображаемых примеров.
То есть осуществляется попытка выбрать такие признаки, чтобы для образов одного класса они были как можно более похожи, а для образов разных классов наоборот сильнее отличались. В итоге задача сводится к задаче нахождения собственных значений: