2 Огляд методів розпізнавання біометричного образу за рисами обличчя

 

2.1 Методи розпізнавання образів

 

Найчастіше в технічній літературі наводиться інформація про такі три методи [2]:

а) кореляційний (метод узгодженої фільтрації);

б) метод на основі перетворень Карунена-Лоева;

в) метод на основі лінійного дискримінантного аналізу і поняття "Fisherface" (від імені вченого Роберта Фішера);

г) антропометрія.

Розвиваються зараз методи, орієнтовані на:

– репрезентативний характер вихідних даних - навчання системи в різних умовах;

– зменшення розмірності вхідних даних;

– розпізнавання в скороченому просторі ознак.

2.1.1 Кореляційний метод

Найпростіший з перерахованих вище методів. Якщо умови отримання нових образів відповідають умовам отримання еталона (освітлення, пункт спостереження обличчя, нахил, поворот, масштаб, фон і т.д.), то кореляція (відповідність) між ними близька до одиниці. Рівень розпізнавання доходить до 96%. Однак, якщо умови змінюються, то лінійна кореляція стає даремною.

Розвитком цього методу є перехід від вихідних ознак до інваріанта Фур'є-Мелліна (замінюють поворот на циклічний зсув), що дозволяє досягти високої кореляції між образами. Проблемою залишається висока розмірність простору ознак (великий розмір еталона). Крім того, перетворення Фур'є-Мелліна істотно ускладнює обчислювальний процес.

2.1.2 Метод на основі перетворень Карунена-Лоева (ПКЛ)

Цей метод (рис. 2.1) дозволяє значно скоротити розмір еталона, залишаючи тільки ті ознаки, які мають принципове значення для конкретного образу. При цьому вплив умов отримання образу не так помітно, а порівняння образів спрощується. Рівень правильного розпізнавання стабільно досягає 80% навіть при сильних змінах умов.

Рисунок 2.1 - Метод на основі перетворень Карунена-Лоева

 

Мета аналізу головних компонент - виявити основні мінливості в зображеннях облич (використовуються при навчанні системи) і описати ці мінливості кількома векторами (кроки 3-5). Основні мінливості представляються в матриці коваріації, порядок якої відповідає розмірності вектора вихідних ознак. Основна мінливість матриці описується власними числами, число яких не більше розмірності матриці. Таким чином, ПКЛ дозволяє перетворити N-мірний простір ознак в p-мірне (p ​​<= N).

Зворотне перетворення Карунена-Лоева призводить до подання образів у вигляді "еластичних моделей облич".

У редукованому просторі ознак значно простіше відокремити один образ від іншого. Однак, кластеризація тут не завжди можлива. Може вийти простір образів зображений на рис. 2.2. Редукція виконана для 20 класів образів бази і перших семи образів у класі.

а) б)

Рисунок 2.2 - Відображення скороченої простору ознак у формі 3D:

а) - редукція для перших 20 класів образів бази, б) - образ 10-го класу

На рис. 2.2,б) виділено образ 10-го класу (клас - масив образів обличчя однієї людини). Вертикальною лінією представляється середній образ в класі (центр класу), а окремі образи - сім точок. Лініями показано розкид образів щодо центру.

Як можна побачити, розрізнення образів у такому вигляді не є простим завданням: відстані між класами не максимізувати, а відстані всередині класу не мінімізовані. Деякі образи перекривають чужі класи.

2.1.3 Метод на основі лінійного дискримінантного аналізу (ЛДА)

Даний метод, як і попередній, дозволяє скоротити кількість ознак, при цьому істотно покращує кластеризацію образів (відділення друг від друга). Це дозволяє збільшити рівень розпізнавання до 99% навіть в умовах, що сильно різняться.

Якщо взяти результат після перетворень Карунена-Лоева в якості вихідних даних і застосувати метод ЛДА, можна додатково скоротити простір ознак.

В результаті перетворень виходить простір ознак зображений на рис. 2.3.

Рисунок 2.3 - Простір ознак після застосувати метод ЛДА

 

Потрібний ефект отримано: окремі образи в класі стали ближче до центру і практично не перекривають чужу територію, самі центри віддалені один від одного ще більше.

2.1.4 Антропометрія - один з основних методів антропологічного дослідження, який полягає у вимірюванні тіла людини і його частин з метою встановлення вікових, статевих, расових і інших особливостей фізичної будови, що дозволяє дати кількісну характеристику їх мінливості .

Залежно від об'єкта дослідження розрізняють соматометрію (вимірювання живої людини), краніометрії (вимірювання черепа), остеометрію (вимірювання кісток скелета). До антропометрії відносять також антропоскопію - якісну (описову) характеристику форм частин тіла, форми голови, рис обличчя, пігментації шкіри, волосся, райдужної оболонки очей і т. п.

Потреба в антропометричних дослідженнях обумовлюється великою мінливістю розмірів тіла людини. Межі коливання розмірів людей однієї групи, як правило, заходять за межі коливань розмірів людей іншої групи. Це Трансгресивна мінливість, яка обумовлює необхідність кількісних визначень. Результати антропометричних вимірювань порівнюються за спеціально розробленими правилами, які грунтуються на принципах варіаційної статистики.

Антропометричні методи мають велике значення в прикладній антропології, а в останні роки стали грати важливу роль у антропометричній (ортопедичної) косметології; до широкого впровадження ідентифікації за відбитками пальців антропометрія використовувалася в криміналістиці для ідентифікації людей (так званий «бертильонаж»).

2.2 Існуючі методи розпізнавання облич

В даний час існує чотири основні методи розпізнавання облич [8]:

а) аналіз "відмінних рис";

б) "eigenfaces";

в) спосіб "автоматичної обробки зображення облич".

г) аналіз на основі "нейронних мереж";

Всі ці способи розрізняються складністю реалізації та метою застосування.

2.2.1 "Eigenface"

"Eigenface" можна перекласти як "власне обличчя" [8]. Ця технологія використовує двовимірні зображення у градаціях сірого, які представляють відмінні характеристики зображення обличчя. Прийом "eigenface" часто використовуються в якості основи для інших методів розпізнавання особи.

Комбінуючи характеристики 100 - 120 "eigenface" можна відтворити велику кількість осіб. У момент реєстрації, "eigenface" кожної конкретної людини представляється у вигляді ряду коефіцієнтів. Для режиму встановлення достовірності, в якому зображення використовується для перевірки ідентичності, "живий" шаблон порівнюється з уже зареєстрованим шаблоном, з метою визначення коефіцієнта відмінності. Ступінь відмінності між шаблонами і визначає факт ідентифікації. Технологія "eigenface" оптимальна при використанні в добре освітлених приміщеннях, коли є можливість сканування особи у фас.

2.2.2 Аналіз "відмінних рис"

Методологія аналізу "відмінних рис" - найбільш широко використовувана технологія ідентифікації [8]. Ця технологія подібна методикою "Eigenface", але більшою мірою адаптована до зміни зовнішності або міміки людини (усміхнене або похмуре обличчя). У технології "відмінних рис" використовуються десятки характерних особливостей різних областей особи, причому з урахуванням їх відносного розташування. Індивідуальна комбінація цих параметрів визначає особливості кожної конкретної особи. Обличчя людини унікальне, але досить динамічне, тому що людина може посміхатися, відпускати бороду і вуса, натягати окуляри - все це збільшує труднощі процедури ідентифікації. Таким чином, наприклад, при посмішці спостерігається деяке зміщення частин обличчя, розташованих біля рота, що в свою чергу буде викликати подібний рух суміжних частин. Враховуючи такі зміщення, можна однозначно розпізнавати людину і при різних мімічних змінах обличчя. Так як цей аналіз розглядає локальні ділянки обличчя, допустимі відхилення можуть перебувати в межах до 25° в горизонтальній площині, і приблизно до 15° у вертикальній площині і вимагає досить потужною і дорогої апаратури, що відповідно скорочує ступінь розповсюдження даного методу.

2.2.3 Аналіз на основі "нейронних мереж"

У методі, заснованому на нейронної мережі, характерні особливості обох облич - зареєстрованого та перевіряється порівнюються на збіг. "Нейронні мережі" використовують алгоритм, який встановлює відповідність унікальних параметрів обличчя перевіряється людини і параметрів шаблону, що знаходиться в базі даних, при цьому застосовується максимально можливе число параметрів. У міру порівняння визначаються невідповідності між обличчям перевіряємого і шаблону з бази даних, потім запускається механізм, який за допомогою відповідних вагових коефіцієнтів визначає ступінь відповідності обличчя, що перевіряється шаблоном з бази даних. Цей прийом збільшує якість ідентифікації обличчя у складних умовах.

2.2.4 Спосіб "автоматичної обробки зображення обличчя»

Прийом "автоматичної обробки зображення обличчя" - найбільш проста технологія, що використовує відстані і відношення відстаней між легко визначаються точками обличчя, такими як очі, кінець носа, куточки рота. Хоча даний спосіб не настільки потужний як "eigenfaces" або "нейронна мережа", він може бути досить ефективно використаний в умовах слабкої освітленості.

2.3 Відбір ознак

Вибір і виділення ознак грають в розпізнаванні образів ключову роль.