ДонНТУ   Портал магістрів  ФКНТ   Кафедра АСУ  

Зміст

Введення

Всім добре відомі сцени з фантастичних фільмів: герой підходить до дверей і двері відкриваються, дізнавшись його. Це одна з наочних демонстрацій зручності і надійності застосування біометричних технологій для контролю доступу. Однак на практиці не так все просто. Сьогодні деякі фірми готові запропонувати споживачам контроль доступу із застосуванням біометричних технологій.

1. Актуальність теми

Традиційні методи ідентифікації особистості, в основі яких знаходяться різні ідентифікаційні карти, ключі або унікальні дані, такі як, паролі не є надійними в тій мірі, яка потрібна на сьогоднішній день. Природним кроком у підвищенні надійності ідентифікаторів стали спроби використання біометричних технологій для систем безпеки. Процес автоматичної ідентифікації осіб передбачає створення апаратно-програмного засобу, здатного при мінімальному втручанні людини проводить якісну ідентифікацію, використовуючи тільки зображення обличчя людини. Актуальність цього завдання, а також її перевагу в порівнянні з іншими засобами ідентифікації особи (наприклад, ідентифікація за відбитками пальців або по сітківці ока) полягає в тому, що немає необхідності безпосереднього контакту системи і людини. Особа людини саме по собі містить унікальну інформацію для проведення безпомилкової ідентифікації. Метою даної статті є огляд, порівняння різних методів визначення біометричних характеристик людини, для вибору методу з метою створення автоматизованої системи.

2. Огляд існуючих методів, алгоритмів та пекетів программного забезпечення

В даний час існує чотири основні методи розпізнавання особи: «eigenfaces», аналіз «відмінних рис», аналіз на основі «нейронних мереж», метод «автоматичного оброблення зображення обличчя». Всі ці методи розрізняються складністю реалізації та метою застосування.

«Eigenface» можна перекласти як «власне обличчя». Ця технологія використовує двовимірні зображення у градаціях сірого, які представляють відмінні характеристики зображення обличчя. Метод «eigenface» часто використовуються в якості основи для інших методів розпізнавання особи. Комбінуючи характеристики 100 - 120 «eigenface» можна відновити 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.

Методика аналізу «відмінних рис» - найбільш широко використовувана технологія ідентифікації. Ця технологія подібна методикою «Eigenface», але більшою мірою адаптована до зміни зовнішності або міміки людини (усміхнене або хмурящееся особа). 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. Особа людини унікальне, але досить динамічно, тому що людина може посміхатися, відпускати бороду і вуса, одягати окуляри - все це збільшує складність 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 ідентифікувати людину і при різних мімічних змінах особи. 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.

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

Метод «автоматичної обробки зображення обличчя» - найбільш проста технологія, що використовує відстані і відношення відстаней між легко визначаються точками особи, такими як очі, кінець носа, куточки рота. Хоча даний метод не настільки потужний як «eigenfaces» або «нейронна мережа», він може бути досить ефективно використаний в умовах слабкої освітленості. Всі розглянуті вище методи є ефективними, але, або складно реалізованими або недостатньо точними.

3. Опис методів та алгоритмів

Для дослідження обрані методи визначення фотографії на основі геометричних характеристик особи людини.

У роботі [1] розглянуто підхід, заснований на геометричних характеристиках обличчя. У цій роботі використовувалася база даних осіб, що складається з 188 фотографій (по чотири фотографії для кожного з 47 осіб), зображення (фотографії) яких виходили за допомогою спеціальної ССD-камери. Відстань від об'єкту до камери під час зйомки не було чітко фіксовано, тому зміна в масштабі становило до 30%. Автори цього методу ставили такі вимоги до алгоритму:

  1. максимальна простота оціночного алгоритму;
  2. вплив освітлення повинно бути мінімально;
  3. мінімальна чутливість до міміки;

Приклад блок-схеми алгоритму можна побачити на анімації 1

Приклад блок-схеми алгоритму

Анімація 1 - Приклад блок-схеми алгоритму
(анімація: 3 циклу повторення, для повторного перегляду обновіть сторінку, 76 Кб)

Першим ключовим моментом, який визначає якість роботи алгоритму в цілому, є попередня обробка або нормування зображення з метою поліпшення яскравісної-контрастних характеристик. Витягнуті характеристичні точки повинні бути нормовані для забезпечення інваріантності по відношенню до позиції (розташуванням) особи, масштабом та кутом повороту. Іншим ключовим моментом є процедура визначення набору характеристичних точок. Розглянутий геометричний метод спирається на властивість білатеральної симетрії особи. Використовується безліч відносин відстаней між такими характеристичними точками особи як очі, кінчик носа, центр рота. Алгоритм визначення характеристичних точок базується на інтегральній проекції зображення. Проекційний аналіз проводиться над бінарним зображенням, отриманим шляхом застосування оператора Лапласа. Застосовуючи вищевказаний алгоритм були отримані характеристичні точки розташування очей, носа, брів, рота, а також був визначений контур обличчя, на підставі чого було виділено 35 геометричних прізнаков.Іспользуя, до описаних подібним чином особам, класифікатор Байєса автори цього методу домоглися 90% ного розпізнавання на базі даних 47 осіб.

У роботі [2] також запропонований геометричний метод ідентифікації осіб, заснований на геометричному відстані між ключовими точками. Схожість осіб, за цим методом, оцінюється в кілька етапів, діючи за принципом "від грубого до точного". Спочатку визначається безліч ключових точок для кожної особи, потім відбирається приблизно kl зображень, близьких за геометричними характеристиками до классифицируемого особі; kl визначається так:

де N - кількість портретів, що містяться в базі даних.

Після цього виконується етап нормалізації зображення для подальшого обчислення кореляції між центральними лицьовими частинами kl зображень і лицьовою частиною ідентифікованого зображення. Результатом буде отримання k2 зображень з kl відібраних:

Ключові точки визначаються автоматично, але для проведення більш точної ідентифікації можливий також ручний відбір точок. В експериментах, проведених авторами даного геометричного методу використовувалося безліч з 37 ключових точок. Приклад отриманих геометричних точок представлений на рис.1

Пример множества геометрических ключевых точек.

Рисунок 1 – Приклад геометричних ключових точок.

Для задачі ідентифікації необхідно виконати етап об'єднання точок у сегменти, периметри та площі різних фігур - визначення репрезентативного набору характеристик. Далі цей набір може бути оптимізовано для досягнення більш високої якості ідентифікації. Сам процес ідентифікації полягає у визначенні "самого близького" ??зображення по відношенню до ідентифікованому зображенню з використанням Евклідової метрики. Гіпотеза, висунута авторами цієї роботи, наступна - якщо два зображення містять практично однакову інформацію, то вони повинні містити безліч пікселів з близькими значеннями інтенсивності.

Зображення А можна представити як дискретну поверхня:

Відстань від кожного пікселя одного зображення до найближчих пикселям іншого зображення відображає, так зване, локальне відмінність. Обчислюючи безліч локальних відмінностей і акумулюючи їх у глобальне значення відмінності, формується остаточна оцінка схожості зображень. Глобальне значення відмінності двох зображень А і С може бути визначено за такою формулою:

і W - квадратне вікно спостереження розміру (2w +1) x (2w +1) центрированное в точці (i, j) зображення С.

Экранная форма ПО автоматизированной системы

Рисунок 2 – Экранна форма ПО автоматизованної системи

Висновки

Для оцінки найбільш оптимального методу необхідно визначити параметри, за якими проведемо порівняльний аналіз. Перший параметр - відсоток правильного розпізнавання (ППР): діапазон від 0 до 100%, другий - відносна тимчасова вартість (ОВС), який ділиться на категорії: висока, середня, низька і відображає часові витрати роботи системи; третій - складність системи (висока, середня, низька) і четвертий параметр - можливість навчання системи (так чи ні). У таблиці 1 наведені й оцінені всі вищеописані методи.

Сравнительный анализ методов

Рисунок 3 – Сравнительный аналіз методів

Таблиця демонструє, що відсоток розпізнавання осіб 2м методом ефективніше, і дає більш точні результати. Описані в даній статті математичні методи і алгоритми допоможуть створити систему яка зможе розпізнавати обличчя на основі біометричних параметрів людини. Результатом роботи системи є розпізнавання людини за її фотографії.

Список джерел

  1. Brunelli R. and Poggio T.Face recognition: features versus tem- plates// IEEE Trans. on Pattern Analysis and Machine Intel.- 1993. — Vol.15. — No 10. — P. 1042-1052.
  2. StarovoitovV.,SamalD.,G.Votsis,and S.Kollias “Face recognition by geometric features”, Proceedings of 5-th Pattern Recognition and Information Analysis Conference, Minsk, May 1999.
  3. Самаль Д.И., Старовойтов В.В. - Подходы и методы распознавания людей по фотопортретам. - Минск, ИТК НАНБ, 1998. - 54с.
  4. Самаль Д.И., Старовойтов В.В. Методика автоматизированного распознавания людей по фотопортретам // Цифровая обработка изображений. - Минск:ИТК, 1999.-С.81-85.
  5. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица // Цифровая обработка изображений. - Минск:ИТК, 1998.-С.72-79.
  6. Методы компьютерной обработки изображений / Под Ред. В.А. Сойфера. - М.: ФИЗМАТЛИТ, 2003.-784с.