
- •Содержание
- •1. Общее описание алгоритма решения задачи
- •2. Описание модулей системы
- •2.1. Предобработка входного изображения
- •2.2. Выделение лиц
- •2.3. Постобработка области лица
- •2.4. Выделение характерных признаков лица
- •2.4.2. Корреляционный метод
- •2.4.3. Оценка качества признаков
- •2.5. Классификация
- •2.5.1. Классификация по минимальному евклидову расстоянию
- •2.5.2. Классификация двухслойным персептроном
- •2.5.3. Прямое сравнение признаков
- •2.5.4. Вычисление показателя качества классификации
- •2.6. Принятие решения
- •2.7. Модуль обучения системы распознавания
- •3. Интерфейс пользователя
- •3.1. Требования к системе
- •3.2. Запуск по
- •3.3. Обучение
- •3.4. Работа
- •4.2.2. Исследование корреляционного метода
- •5. Перспективы развития системы
- •Заключение
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.