СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ЛИЦ
Авторы: Магистрант кафедры информационных систем и компьютерного моделирования Волгоградского государственного университета eka-mishenkova@yandex.ru Мищенкова Е. С.
Описание: Описываются и анализируются современные методы распознавания лиц. На основе анализа методов, представляется, что перспективным может являться создание гибридных методов.
Источник: Вестник Волгоградского государственного университета. Серия 9: Исследования молодых ученых https://cyberleninka.ru/article/n/sravnitelnyy-analiz...
Проспект Университетский, 100, 400062 г. Волгоград, Российская Федерация
Аннотация Описываются и анализируются современные методы распознавания лиц. На основе анализа методов, представляется, что перспективным может являться создание гибридных методов.
Ключевые слова: распознавание лиц, метод Виолы–Джонса, метод главных компонентов, нейронная сеть Хопфилда.
Одним из практических применений теории распознавания образов является распознавание лиц, в задачу которого входит автоматическая локализация лица на изображении и, при необходимости, идентификация человека по лицу. Интерес к процедурам, лежащим в основе процесса локализации и распознавания лиц, довольно значителен в связи с разнообразием их практического применения в таких областях, как охранные системы, верификация, криминалистическая экспертиза, телеконференции, компьютерные игры и т. д.
Технология идентификации личности на основе изображения лица, в отличие от использования других биометрических показателей, не требует физического контакта с устройством и с учетом стремительного развития цифровой техники является наиболее приемлемой для массового применения. Основной трудностью данной технологии является зависимость качества результата распознавания человека по изображению лица от ракурса, положения, условий освещенности и т. д. Далее в работе описываются и анализируются современные методы распознавания лиц.
Метод главных компонентов (Principal Component Analysis, PCA). Идея метода состоит в представлении изображений лиц в виде набора (вектора) главных компонентов изображений, называемых «собственные лица» (Eigenfaces). Они, лица, имеют полезное свойство: что изображение, соответствующее каждому такому вектору имеет лицеподобную форму
Рис. 1. Пример изображений собственных векторов (собственные лица)
Вычисление главных компонентов сводится к вычислению собственных векторов и собственных значений ковариационной матрицы, которая рассчитывается из изображения. Сумма главных компонент, умноженных на соответствующие собственные вектора, является реконструкцией изображения.
Для каждого изображения лица вычисляются его главные компоненты. Обычно берется от 5 до 200 главных компонентов. Процесс распознавания заключается в сравнении главных компонент неизвестного изображения с компонентами всех известных изображений.
При этом предполагается, что изображения лиц, соответствующих одному человеку, сгруппированы в кластеры в собственном пространстве. Из базы данных выбираются изображения-кандидаты, имеющие наименьшее расстояние от входного (неизвестного) изображения [1].
Метод собственных лиц требует для своего применения идеализированных условий таких, как единые параметры освещенности, нейтральное выражение лица, отсутствие помех вроде очков и бород. При несоблюдении этих условий главные компоненты не будут отражать межклассовые вариации. Например, при различных условиях освещенности метод собственных лиц практически неприменим, поскольку первые главные компоненты преимущественно отражают изменения освещения, и сравнение выдает изображения, имеющие похожий уровень освещенности. При соблюдении идеализированных условий точность распознавания с использованием данного метода может достигать значения свыше 90 %, что является очень хорошим результатом.
Вычисление набора собственных векторов отличается высокой трудоемкостью. Один из способов – это свертка изображений по строкам и столбцам; в такой форме представление изображения имеет на порядок меньший размер, вычисления и распознавание происходит быстрее, но восстановить исходное изображение уже невозможно.
Метод Виолы-Джонса. Данный метод является высокоэффективным для поиска объектов на изображениях и видеопоследовательностях в режиме реального времени [2; 3]. Этот детектор обладает крайне низкой вероятностью ложного обнаружения лица. Метод хорошо работает и обнаруживает черты лица даже при наблюдении объекта под небольшим углом, примерно до 30°. Точность распознавания с использованием данного метода может достигать значения свыше 90 %, что является очень хорошим результатом. При угле наклона больше 30° вероятность обнаружения лица резко падает. Указанная особенность метода не позволяет в стандартной реализации детектировать лицо человека, повернутое под произвольным углом, что в значительной мере затрудняет или делает невозможным использование алгоритма в современных производственных системах с учетом их растущих потребностей.
Сравнение шаблонов (Template Matching). Основа этого метода заключается в выделении областей лица на изображении, и последующем сравнении этих областей для двух различных изображений. Каждая совпавшая область увеличивает меру сходства изображений. Для сравнения областей используются простейшие алгоритмы вроде попиксельного сравнения
Недостаток этого метода заключается в том, что он требует много ресурсов как для хранения участков, так и для их сравнения. Ввиду того, что используется простейший алгоритм сравнения, изображения должны быть сняты в строго установленных условиях: не допускается заметных изменений ракурса, освещения, эмоционального выражения и пр.
Точность распознавания с использованием данного метода составляет около 80 %, что является хорошим результатом.
Нейронная сеть Хопфилда. Алгоритм обучения сети Хопфилда существенно отличается от классических алгоритмов обучения персептронов тем, что вместо последовательного приближения к нужному состоянию с вычислением ошибок, все коэффициенты весовой матрицы рассчитываются по одной формуле, за один цикл, после чего сеть сразу готова к работе.
Ограничения метода:
- запоминаемые образы не должны быть сильно похожи;
- изображение не должно быть смещено или повернуто относительно его исходного состояния.
Для устранения этих недостатков рассматриваются различные модификации классической нейронной сети Хопфилда. Сеть Хопфилда с ортогональным преобразованием позволяет восстанавливать сильно скоррелированные образы за счет преобразования их исходного множества к дуальному множеству векторов. Таким образом, получается нейронная сеть, которая может запоминать некоторое количество векторов, и при подаче на вход любого вектора, может определить, на какой из запомненных он более всего похож.
Точность распознавания с использованием данного метода составляет свыше 90 %, а в ряде случаев – даже приближается к 100 %, что является почти отличным результатом.
Для большинства современных систем автоматического распознавания лиц основной задачей является задача сравнения заданного изображения лица с набором изображений лиц из базы данных. Характеристики систем автоматического распознавания лиц в этом случае оцениваются путем определения вероятностей ошибочного отказа в распознавании (ошибки первого рода) и ошибочного распознавания (ошибки второго рода). В дополнение к вероятностям ошибок для оценки системы автоматического распознавания лиц часто используется оценка устойчивости к возмущению изображений, вызываемая комбинацией со сложными фонами, изменчивостью освещения, изменению прически, и т. д.
Учитывая вышеизложенное, представляется, что перспективным может являться создание гибридных методов, использующих преимущества и нивелирующих недостатки рассмотренных выше различных частных подходов.
Список литературы
- Брилюк, Д. Распознавание человека по изображению лица и нейросетевые методы / Д. Брилюк, В. Старовойтов. – Минск : Институт Технической Кибернетики Национальной Академии Наук Беларуси, 2001.
- Viola, P. Rapid object detection using a boosted cascade of simple features / Р. Viola // IEEE Conf. on Computer Vision and Pattern Recognition. – Kauai, Hawaii, USA, 2001. – V. 1. – P. 511–518.
- Viola, P. Robust realtime face detection / P. Viola // International Journal of Computer Vision. – 2004. – V. 57. – № 2. – P. 137–154.