
- •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.
Распознавание "снизу-вверх".
Использует инвариантные признаки (invariant features) изображений лиц (например, относительно условий съемки).
Алгоритм работы методов распознавания "снизу-вверх":
1. Обнаружение элементов и особенностей (features), характерных для изображения лица.
Края (edges) - резкие переходы яркости. Обычно соответствуют границам объектов на изображении (лицам) и чертам лица (facial features) - границам глаз, бровей, рта, носа. Обнаружение лица на изображении проводится с помощью карты краев изображения, на которой обозначены резкие переходы яркости с учетом характерной формы лица - эллипс определенных пропорций. Совместно используются алгоритмы обнаружения и подчеркивания областей локальных минимумов яркости, рассматривая их как потенциальные черты лица. Яркость обычно является основным источником информации во многих задачах машинного зрения.
Форма черт лица – характерная симметричность, близость границы черт лица по форме к параболе. Результатом является набор точек на изображении, с высокой вероятностью относящиеся к чертам лица.
Цвет - является более мощным средством распознавания и различения объектов на изображении благодаря дополнительной информации об оттенке объекта. Цвет кожи разных людей занимает достаточно небольшую ограниченную подобласть цветового пространства, даже при рассмотрении цветов кожи различных рас. Основное отличие заключается в яркости, а не оттенке цвета, что позволяет сделать вывод о близости оттенка цвета кожи разных людей и использовать характерный цвет кожи как признак для распознавания лиц.
Для обнаружения пикселей цвета кожи может быть выбран метод Байесовской карты вероятностей. Данный метод обладает высокими показателями вероятности успешного распознавания, малой вероятностью ложного обнаружения, и одинаково успешно работает в различных цветовых пространствах. Результатом применения этого метода является карта кожи – полутоновое изображение, в котором интенсивность каждого пикселя пропорциональна мере близости цвета пикселя к цвету кожи (рис. 1).
Рис. 1. Результаты цветовой сегментации кожи. Слева – исходное изображение, справа – карта кожи
Обнаружение лиц по цвету кожи производится обычно в два этапа:
Выделение пикселей, близких по цвету к цвету коже;
Поиск лиц на изображении с использованием априорного знания о структуре человеческого лица.
Как правило, цветовая информация не может дать достаточно данных для устойчивого обнаружения лица. Неизбежные ошибки цветовой сегментации и области, близкие по оттенку к коже, не являющиеся лицами, создают помехи для распознавания. Для повышения устойчивости требуется дополнить набор признаков дополнительными свойствами изображения лица.
2. Анализ обнаруженных особенностей, вынесение решения о количестве и расположении лиц. Производится комплексная проверка выделенных областей с характерными для человеческого лица свойствами для выявления областей, действительно являющихся лицами. Проверка соотношения обнаруженных признаков лица может быть основана на:
эмпирическом алгоритме;
статистике взаимного расположения признаков, собранной по изображениям лиц (анализ взаимного расположения потенциальных распознанных черт лица на карте краёв, анализ объектов с близким значением оттенка кожи с учётом овальной формы лица и т.п.);
моделирование процессов человеческого мозга при распознавании визуальных образов;
применение жестких или деформируемых шаблонов расположения черт лица.
Достоинства эмпирических методов:
достаточно просто реализуются, не требуют мощных вычислительных ресурсов;
позволяют построить некоторую модель изображения лица и свести задачу к выполнению некоторого количества относительно простых проверок;
возможность гибкой настройки под конкретную задачу путем модификации интуитивно понятных параметров;
являются основой для адаптации эмпирических методов во многие современные методики обнаружения и распознавания лиц.
Недостатки эмпирических методов:
высокий процент ложных обнаружений или пропусков (в зависимости от жёсткости выбранных решающих правил);
ограниченность возможных реализаций процессов, происходящих в мозгу во время решения задачи распознавания изображений, так как тот набор эмпирических знаний о человеческом лице, которые доступны исследователям на "сознательном уровне", далеко не исчерпывает инструментарий, используемый мозгом "подсознательно".