
- •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.
6. Разработка алгоритмического обеспечения комплекса.
Структурная схема системы распознавания приведена на рис.
Fig. Face recognition processing flow.
Каждый блок на рисунке реализует свой алгоритм (обнаружение, выравнивание, выделение признаков, сравнение). В предыдущем разделе были выбраны оптимальные алгоритмы для решения каждой из подзадач. Поэтому, заменив функциональность каждого из блоков на соответствующий алгоритм, мы получим общую алгоритмическую схему системы распознавания. Рассмотрим каждый блок более подробно.
Поступающая с видеокамеры последовательность изображений анализируется блоком обнаружения (слежения). Если камера цветная, то вначале на изображение наносится цветовая маска кожи и выделяются области, которые соответствуют цвету кожи. Затем в данных областях производится поиск человеческих лиц. В случае нахождения каких-либо лиц определяется их местоположение в кадре, примерная ширина и высота (рис.). Также может определяться положение характерных точек (в зависимости от алгоритма). Вся полученная информация поступает на блок выравнивания
Рис. (а) Пример обнаружения лиц и выделения характерных точек;
(б) Выделение контуров лиц на изображении
Блок выравниванияуже анализирует области, полученные от блока обнаружения. На этих областях находятся ключевые точки лица – глаза, нос, рот. На основании расположения ключевых точек определяется масштаб ориентация лица в пространстве (поворот, наклон). По вычисленному масштабу и ориентации проводится нормализация лица с тем, чтобы оно приняло стандартный единый масштаб и имело заданную ориентацию. Затем происходит приближенное оконтуривание лица (как правило эллипсом). Область вне контура лица заполняется одним и тем же цветом для всех лиц. Таким образом, на выходе данный блок выдает выровненное лицо с удаленным фоном, а также положения ключевых точек лица. На приведенном ниже рисунке показан пример, в котором 10 различных изображений лиц одного человека были обработаны блоком выравнивания.
Рис. Набор лиц различных людей, полученных на выходе блока выравнивания
Блок выделения признаков вычисляет признаки либо всего лица (дискриминантные методы, вейвлеты – рис.), либо каких-то областей вокруг ключевых точек (локальные методы, метод эластичных графов, вейвлеты). Цель данного блока – уменьшить размерность задачи и выделить характерные отличающиеся признаки лиц. База данных пользователей заполняется признаками, полученными в результате работы именно этого блока.
Рис. Признаки Габора, полученные для области лица вокруг глаза
Классификаторсравнивает признаки текущего пользователя с признаками пользователей базы и выдает решение о нахождении/ненахождении в кадре объектива камеры какого-либо пользователя. Для наглядности на рис. приведена условная схема работы классификатора. На один его входу поступают признаки распознаваемого лица. На другой его вход последовательно подаются признаки лиц, хранящихся в базе данных. Выбирается лицо из базы, более всего похожее на входное изображение. Если степень близости превышает некоторый заданный порог, то принимается решение о том, что на входном изображении находится известно лицо и классификация прошла успешно. В противном случае принимается решении о том, что входное лицо не распознано.
Рис. Схема, иллюстрирующая работу классификатора признаков
Подводя итоги, можно сказать, что выше были рассмотрены все необходимые алгоритмы для решения поставленной задачи распознавания лиц и разработана общая схема и методика решения данной задачи. Эти результаты позволяют переходить к этапу разработки программной модели-макета и осуществлять ее экспериментальное исследование.