- •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.
4. Выбор оптимальных методов решения задачи распознавания лиц
Далее приведем сравнительную статистику по основным методам распознавания и укажем их достоинства и недостатки (табл. ).
Табл.
|
Алгоритм |
Достоинства |
Недостатки |
|
Методы выделения признаков | ||
|
Контурные модели лица
|
- инвариантность к частичному заслонению |
- сложность задачи выделения контуров - метод не самодостаточный |
|
Сравнение эластичных графов |
+ инвариантность к масштабу, освещению, частичному заслонению, фону. |
- низкая инвариантность к выражению лица и положению головы в пространстве. |
|
Методы, основанные на геометрических характеристиках |
|
- трудоемкость равна трудоемкости задачи распознавания (успех определяется правильным нахождением ключевых точек) - низкая инвариантность к частичному заслонению, освещению, положению, выражению лица - ограниченная обучающая выборка |
|
Сравнение эталонов |
|
- большие затраты на память и большая трудоемкость сравнения. - низкая инвариантность к освещению, выражению лица, положению, частичному заслонению. |
|
Метод наиболее информативных областей |
- инвариантность к мимике лица и положению головы в пространстве. |
- полное отсутствие инвариантности к частичному заслонению и слабая инвариантность к фону |
Табл. (продолжение)
|
Скрытые марковские модели |
- инвариантность к мимике лица за счет соответствующих обучающих примеров - достаточно высокая вероятность правильного распознавания |
- отсутствие различающей способности - низкая инвариантность к положению головы - ограничен применением при не очень большом объеме базы лиц |
|
Морфинговые модели |
- инвариантность к фону, освещению, положению головы в пространстве, мимике лица, частичному заслоению. |
- отсутствие инвариантности к масштабу - сложность реализации |
|
Дискриминантные методы |
- инвариантность к выражению лица, положению головы в пространстве и иногда к освещению. |
- отсутствие инвариантности к масштабу, частичным заслонениям лица, фону. |
|
Оптический поток |
|
- вычислительная трудоёмкость |
|
Фильтры Габора |
- инвариантность к масштабу и положению объекта на плоскости, устойчивость к изменениям освещения. |
- большие вычислительные затраты волнового преобразования Габора, увеличивающиеся пропорционально количеству волн. |
|
Моменты |
- инвариантность к положению головы, выражению лица, масштабу |
- отсутствие инвариантности к фону, частичному заслонению, освещению. |
|
Нейронные сети |
- могут использоваться как для выделения признаков изображения (локальных и глобальных), так и для их последующей классификации - любой вид нейронной сети можно настроить таким образом, чтобы сеть удовлетворяла всем вышеприведенным инвариантностям - быстродействие - обучаемость - отказоустойчивость |
|
Табл. (продолжение)
|
Методы классификации | ||
|
Статистические классификаторы |
|
- требуют учета законов распределения объектов в заданных классах - каждый метод хорошо работает для конкретного закона распределения, а реально эти законы неизвестны |
|
Классификаторы, основанные на принципах потенциалов
|
безошибочная классификация обучающей выборки |
более сложное обучение |
|
Классификаторы экземпляров |
простота реализации |
|
Для обнаружения лиц в последнее время больше всего зарекомендовал себя Алгоритм Viola-Jones с точки зрения отношения эффективности распознавания к скорости работы. Это позволяет использовать его в качестве базового алгоритма для нашей задачи.
Наиболее подходящими методами выделения признаков являются Фильтры Габора, используемые вместе с каким-либо из Дискриминантные методы (PCA, ICA). Также подходит Сравнение эластичных графов. В качестве методов классификации целесообразно использовать детерминированные методы: Классификаторы экземпляров, Классификаторы на основе построения разделяющих гиперповерхностей и др.