3.4. Работа

Для запуска процесса распознавания необходимо выбрать пункт меню “Work->Start”, или нажать кнопку “Launch” в окне демонстрации.

4. Тестирование

4.1. Параметры обучающей выборки

Была сформирована обучающая выборка из 110 изображений лиц 5 человек (5x22 изображений лиц). Каждое изображение подверглось предобработке (п.2.3) переводу в градации серого, выравниванию гистограмм, контрастированию и масштабированию до размера 128x128 пикселей для алгоритма PCA и 48x48-32x32 пикселя для различных зон интереса корреляционного метода.

4.2. Результаты

Для тестирования использовались видеоролики без сжатия длительностью 1 минута с захватом каждого четвертого кадра. Результаты распознавания представлены ниже.

4.2.1. Исследование качества признаков методаPCA

По обучающей выборке было построено 110 собственных векторов. Далее выборка была разложена по этим векторам, и проанализированные получившиеся значения собственных чисел. Для этого было вычислено СКО по формуле (2.x) и минимальное расстояние по формуле (2.x). Результаты для класса выборки “Alexandr” представлены на рис.4.1. Можно видеть, что по минимальному расстоянию до других классов, существенный вклад вносят лишь первые 4 собственных числа (признака), по среднеквадратичному отклонению в 50% интервал попадают 3 первых собственных числа. Однако с учетом аналогичных данных остальных классов попадание в 50% интервал по СКО прошел единственный признак.

Рис. 4.1. СКО и расстояния признаков для класса выборки “Alexandr”

Подобные тесты с аналогичными результатами были проведены для разложений по существенно большему и меньшему числу собственных векторов. Это позволило сделать вывод о малой пригодности данного метода для построения признаков в реальных условиях наличия геометрических искажений и нестабильности освещения распознаваемых лиц, несмотря на высокое быстродействие.

4.2.2. Исследование корреляционного метода

Тестирование проводилось по 6 зонам в области лица: прямоугольная область глаз, отдельные зоны для каждого глаза, носа, рта, и целое изображение лица.

Ниже представлены графики сравнения корреляций для пользователя “Alexandr” (класс 4 на графиках) для отдельной зоны – прямоугольной области глаз. Системе было представлено N изображений пользователя. На рис. 4.2 представлено среднее по количество превышений максимумом корреляции порога 0.9, на рис. 4.3 среднее по превышению – порога 0.85, и на рис 4.4 число абсолютных максимумов для каждого класса измерения.

По оси абсцисс – индекс класса.

По оси ординат – отношение числа превышений порога для заданного класса, к общему числу таких событий.

Рис. 4.2. Среднее количество превышений максимумом корреляции порога 0.9

По оси абсцисс – индекс класса.

По оси ординат – отношение числа превышений порога для заданного класса, к общему числу таких событий.

Рис. 4.3. Среднее количество превышений максимумом корреляции порога 0.85

По оси абсцисс – индекс класса.

По оси ординат – число абсолютных максимумов для класса.

Рис 4.4. Число абсолютных максимумов для каждого класса

Как можно видеть, правильный класс возможно определить по абсолютному максимуму, либо, в случае наличия ошибочных максимумов доступен критерий по среднему превышению порога, причем корректную величину порога возможно подобрать эмпирически. В случае данного примера порог равен 0.9.

На рис. 4.5-4.7 представлены аналогичные графики при тестировании на лице, отсутствующем в базе.

По оси абсцисс – индекс класса.

По оси ординат – отношение числа превышений порога для заданного класса, к общему числу таких событий.

Рис. 4.5. Среднее количество превышений максимумом корреляции порога 0.9

По оси абсцисс – индекс класса.

По оси ординат – отношение числа превышений порога для заданного класса, к общему числу таких событий.

Рис. 4.6. Среднее количество превышений максимумом корреляции порога 0.85

По оси абсцисс – индекс класса.

По оси ординат – число абсолютных максимумов для класса.

Рис 4.7. Число абсолютных максимумов для каждого класса измерения

Видно, что посторонний человек может быть отфильтрован как по превышению порога 0.9, так и по абсолютной величине превышения второго порога 0.85.

Далее проводилось тестирование с комплексированием результатов по всем зонам интереса (п.2.6), для каждой зоны в свою очередь применялось комплексное распознавание всеми описанными методами (п.2.5.3). На всех тестовых роликах пользователи демонстрировали различное положение лиц в пространстве. Для лиц присутствующих в обучающей выборке результаты представлены в таблице 1.

Таблица 1. Результаты распознавания для пользователей, представленных в базе данных

Имя пользователя	Число срабатываний	Число отказов в доступе	Число ошибок распознавания	Процент успешного распознавания
Alexandr	193	1	0	99.5
Dmitry	187	0	0	100.0
Mary	175	41	0	81.0
Smirnova	112	9	0	92.6
Vladimir	91	9	0	91.1

Процент успешного распознавания: 92.8%

Ошибок распознавания: 0.0%

Отказов в доступе: 7.2%

Здесь, число срабатываний – количество раз когда система выдала информацию об успешном распознавании пользователя успешного распознавания пользователя;

число отказов в доступе – количество кадров, лицо на которых было обнаружено, но не могло быть отнесено, ни к одному из классов.

число ошибок – количество раз, когда пользователь был ошибочно опознан как другой человек из базы данных.

В таблице 2 представлены результаты распознавания для посторонних лиц.

Таблица 2. Результаты распознавания для лиц, отсутствующих в базе данных

Имя	Число срабатываний	Число ошибок по статистике	Число отказов в доступе	Процент ошибок
Vartanov	0	0	61	0
Elena	0	0	173	0
Makarichev	0	0	55	0
Mihail	10	0	205	4.7

Ошибок распознавания: 4.7%

Ошибочных разрешений доступа: 0.0%

Здесь, число срабатываний – количество раз ошибочного обнаружения постороннего как пользователя из базы данных;

число ошибок по статистике – количество раз, когда пользователь был ошибочно допущен к системе как другой человек из базы данных (число ошибочных обнаружений достигло требуемого для принятия решений числа накоплений результатов).

число отказов в доступе – количество кадров, лицо на которых было обнаружено, но не могло быть отнесено, ни к одному из классов.

По результатам можно видеть, что, несмотря на имеющиеся ошибочные срабатывания, за счет статистической обработки доступ к системе был закрыт во всех случаях.