Применение системы распознавания лиц

ВВЕДЕНИЕ

Текущее развитие технологий проходит через очень быстрый прогресс, и целью является упрощение жизни людей, такие как биометрические системы, основанные в основном на системах распознавания образов через использование различных биометрических данных для идентификации человека, таких как отпечатки пальцев, сканирование сетчатки, сканирование радужки и распознавание лиц и так далее. В этом тексте предпринимается попытка описать применение систем распознавания лиц в различных областях, включая финансовые, образовательные, транспортные и общественные области. И в этом тексте будут кратко упомянуты определение и основные принципы работы систем распознавания лиц. [4]

АНАЛИЗ

2.1 Обзор системы распознавания лиц

2.1.1 Исследование и определение распознавания лиц

Распознавание лиц - это использование черт лица человека для идентификации. И лица не оставляют легко выявляемых следов в средствах массовой информации, поэтому их нельзя украсть, и безопасность высока. И по сравнению с другими методами биометрического распознавания, распознавание лиц более естественно и интуитивно, оно соответствует привычкам людей в отношении различения личности. И устройства для распознавания лиц очень просты. При естественном свете для этого достаточно домашней камеры. Распознавание лиц подразумевает ввод статического изображения или динамического видео. Это включает в себя сегментацию изображения из статического изображения или видеопоследовательности и использование известной базы данных статических или динамических лиц для определения личности человека на месте происшествия. Обычно первым шагом является обнаружение и сегментация лица, но нужно определить, содержит ли данные изображение лица. Затем вторым шагом является распознавание лица, которое использует сегментированное изображение или последовательность изображений для определения личности испытуемых. [2]

2.1.2 Основной принцип работы системы распознавания лиц

Система распознавания лиц - это типичный пример общей модели, поэтому у нее есть установленный процесс выполнения работы, как показано на рисунке 1. [1]

Рисунок 1 Основной поток системы распознавания

2.1.3 Основной метод расчета для системы распознавания лиц

Машина корреляционного вектора (RVM) - это алгоритм с ядром, основанный на байесовской теории, который может решать проблемы регрессии и классификации. Алгоритм RVM принимает полную вероятностную структуру и вводит априорную вероятность в модельный вес. Сверхпараметр несет вес, в то время как значение гиперпараметра получается итерацией данных. На практике большинство значений ниже. Эмпирическое распределение приблизительно равно нулю, что указывает на то, что модель RVM разрежена. Согласно принципу автокорреляции, а остальные не равны нулю. Обучающий вектор, связанный с весом, называется корреляционным вектором. [10] В распознавании образов многие проблемы не ограничиваются только двумя типами, а представляют собой множество типов образов. Например, идентификация по отпечаткам пальцев, распознавание голоса. В этих проблемах классификатор RVM не может быть прямо использован для достижения множественной классификации. Для решения проблемы многоклассовой дискриминации образов необходимо использовать метод комбинированной классификации многих RVM, такой как "один к многим", "один к одному" и так далее. Затем об этом будет рассказано в этой главе: [9]

2.1.3.1. Классификация "Один против всех".

Этот метод также известен как классификация "Один против всех" (OVA), и количество всех категорий обозначается как K. Идея метода OVA заключается в построении K двухклассовых классификаторов, где i-й классификатор RVM обучается на наборе образцов i-го класса, где образцы отрицательны, а все остальные положительны. Чтобы достичь критерия классификации, следует использовать комбинацию нескольких двухклассовых классификаторов, где каждый из этих классификаторов, может быть, одной из категорий с остальными, то есть один образец рассматривается как отдельная категория, а образцы всех остальных классов вместе рассматриваются как другие категории, решая таким образом многозадачную проблему. Затем для тестируемого образца X определяется его категория в соответствии с множеством дихотомий.

Для задачи многоклассовой классификации с k обучающими образцами необходимо построить классификационную гиперплоскость между классом i и оставшимися k-1 категориями. Подклассификатор представляет собой K-1 двухклассовый дискриминантный RVM-классификатор, и оптимизационная проблема, соответствующая i-му RVM-классификатору, может быть выражена следующим образом (1).

(1)

Очевидно, что RVM-классификатор, основанный на классификации OAR, является задачей многоклассовой классификации с K категориями и k-1 преимуществом. Это соответствует K-1 функции решения классификации, как показано в (2).

(2)

Метод определения категории yi для неизвестного образца xi заключается в подстановке вектора признаков xi, соответствующего образцу, в k функций решения классификации в уравнение, сравнение значений каждой функции решения и классификация значений функции fi(x), i = 1,2..., категория с максимальным значением m считается категорией образца xi, как показано в (3).

(3)

Преимущества классификатора OAR-RVM в том, что количество функций классификации (не более количества категорий) невелико, и скорость многоклассовой классификации относительно быстра. Недостатки заключаются в том, что для каждой дискриминации требуется разделение нескольких типов образцов на одну категорию, что требует относительно длительного времени обучения, и могут возникнуть области отклонения, в которых тестовые образцы могут принадлежать к нескольким или ни одной из категорий. [9]

2.1.3.2. Классификация "Один против одного"

Этот метод также известен как "метод голосования". Предположим, что образцы, которые нужно классифицировать, все еще относятся к k категориям, и любые две категории из K категорий могут формировать базовые дихотомии RVM. Все обучающие образцы классифицируются попарно, так что общее количество пар K категорий может формировать [K (K-1)]/2 дихотомии RVM. Любые две категории образцов образуют обучающую машину, поэтому набор обучающих образцов разделяется на [K (K-1)]/2 подмножеств, каждый RVM-классификатор проводит обучение только на своем соответствующем подмножестве образцов и получает несколько гиперплоскостей для формирования [K (K-1)]/2 классификаторов RVM. При тестировании каждый образец подлежит дискриминации всеми [K (K-1)]/2 классификаторами с использованием метода голосования. Например, в классификации между I и J, если машина дискриминирует, что он принадлежит классу I, к голосу класса I добавляется 1; в противном случае 1 добавляется к голосу класса J до завершения всех классификаторов. Наконец, категория с наибольшим числом голосов считается категорией тестового образца. Это основная идея классификации "один к одному".[11]

2.2 Применение системы распознавания лиц в пяти различных областях

2.2.1 Финансовая сфера

Применение распознавания лиц в финансовой сфере в основном проявляется в следующих аспектах:

2.2.1.1 Профилактика и контроль безопасности

В настоящее время в финансовом секторе, как важном звене безопасности, требуется большое количество человеческих и материальных ресурсов в области безопасности, основной из которых является реализация мониторинга в реальном времени нескольких движущихся целей в динамических сценариях. Система распознавания лиц может легко решить эту проблему, и у нее есть два преимущества: первое - видеомониторинг бизнес-персонала: она может идентифицировать человека с закрытым лицом и затем подтвердить личность человека через данные в системе общественной безопасности, чтобы получить доказательства и связаться с полицией для ареста преступника. И второе - идентификация персонала в области резервуара обслуживания: управление компанией имеет определенную степень строгости, поэтому также очень важно подтвердить личность людей, входящих и выходящих, таких как идентификация входа и выхода из компании, идентификация товаров. Поскольку, если из-за плохой системы мониторинга попадет плохой человек, это может оказать огромное воздействие на все аспекты компании. В этих областях распознавание лиц может удовлетворить их потребности. [3]

2.2.1.2 Способствование применению транзакционных бизнес-сценариев

Первый - удаленное открытие счета: чтобы лучше предотвратить риски, процедуры личного открытия счета всегда были важным звеном в открытии банковского счета. Но этот метод тратит время клиентов, и процесс медленный. Таким образом, банки могут использовать системы распознавания лиц в этой области, клиенты могут не только завершить необходимые процедуры онлайн, но и снизить риск кражи счета. [3]

2.2.2 Образовательная сфера

В первую очередь, система учета является очень важным элементом в образовании, она может служить доказательством присутствия студента. И в некоторых странах посещаемость студента определяет, имеет ли студент право на окончательный экзамен. И применение системы распознавания лиц в образовании основано на рабочем столе, используя язык программирования Python, библиотеку Emgu CV и систему управления реляционными базами данных SQLlite. Библиотека Emgu CV используется в качестве инструмента для реализации метода поверхности признаков, который используется в процессе обнаружения посещаемости студента и распознавания лиц. И через этот метод не только помогает учителям отслеживать студентов, но также полезен для формирования хорошей привычки у студентов. [7] Затем, если система распознавания лиц применяется в интерактивном обучении детей, она будет иметь преимущества в следующих аспектах:

Первое - естественность. Через распознавание основных биометрических признаков лица и взаимодействие с содержанием обучения с получением обратной связи, используя естественное взаимодействие лица, соответствующее когнитивным и поведенческим привычкам детей, уменьшается уровень стресса и затраты на обучение детей.

Второе - бесконтактность. Взаимодействие на основе лиц позволяет пользователям взаимодействовать, не прикасаясь непосредственно к устройству, чтобы избежать длительного воздействия пользователя на пальцы, запястья, глаза и другие суставы или органы.

Третье - веселье. Камера в реальном времени захватывает и отслеживает данные лица и динамически наслаивает эффект на лицо пользователя. Пользователи могут осуществлять переключение динамического эффекта в соответствии с движением пяти чувств, что легко стимулирует интересную интерактивную форму взаимодействия пользователя и продлевает время взаимодействия. [7]

2.2.3 Транспортная отрасль

Существуют некоторые преимущества и примеры применения распознавания лиц в транспортной отрасли:

2.2.3.1 Быстрая проверка безопасности

Из-за большого потока пассажиров на пассажирских станциях, железнодорожных станциях и станциях метро требуется много времени для ручной проверки личности пассажира на платформе, и есть случаи ошибочных суждений из-за усталости персонала. Чтобы избежать несоответствия между человеком, документом и билетом, можно применить технологию распознавания лиц. В этом случае устройство может быть установлено в фиксированном месте, удостоверение личности и лицо пользователя могут быть проверены одновременно, что позволяет быстро завершить сравнение и экономить время персонала и клиента.

2.2.3.2 Оплата машины по лицу

Для поездок на автобусе из-за установленного на транспортном средстве платежного терминала, который подвергается воздействию различных факторов, окружающая среда для применения технологии распознавания лиц сложна, зрелость технологии распознавания лиц и требования к уровню фальсификации выше. Оплата по лицу, функция распознавания лиц открывается перед клиентами, и регистрация лица записывается. Когда пользователи пользуются общественным транспортом, проводится реальное время обнаружения и сравнение с базой данных, и оплата и удержание средств производятся с соответствующего счета. В настоящее время в некоторых городах уже начались пилотные проекты по оплате лицом в общественном транспорте. Например, Шанхай, Шэньчжэнь, Гуанчжоу и др.

2.2.3.3 Расписание движения

Использование системы видеонаблюдения безопасности на транспортных станциях и автобусах совместно с распознаванием лиц. [5]

2.2.3.4 Контроль безопасности

В транспортных средствах, перевозящих опасные грузы, в определенных сценариях, таких как дальнобойные автобусы, технологию распознавания лиц водителя можно использовать для предотвращения усталости за рулем и снижения аварийности. Кроме того, при стоянке автомобиля, нарушениях правил дорожного движения, водительском опьянении, нарушениях правил, превышении скорости и других нарушениях правил дорожного движения использование технологии распознавания лиц может эффективно сыграть роль шока. [8]

2.2.4 Область общественной безопасности

В настоящее время высокотехнологичные приложения, такие как платформы больших данных и распознавание лиц, повысили эффективность выявления преступлений. Однако также в поддержке национальной безопасности, общественной безопасности и борьбе с терроризмом они сыграли ключевую роль. С использованием преобразования Габора, математических изменений, двойного атрибута органы общественной безопасности по базе данных изображений и лиц, подлежащих распознаванию, выявляют беглецов. [6]

Несмотря на то, что технология распознавания лиц уже применяется для реальной идентификации личности, остаются некоторые проблемы. (1) Поскольку технология распознавания лиц находится на стадии развития, с одной стороны, существуют проблемы, такие как улучшение алгоритмов, технология автоматической регистрации изображений, с другой стороны, она также подвержена аппаратным условиям, сложности алгоритма, уровню распознавания алгоритма, режиму освещения лица, случайным выражениям, позам лица человека. Поэтому эффект практического применения в области общественной безопасности будет уменьшен, особенно в реальном мире люди динамичны, и исследований по технологии динамического распознавания лиц меньше, чем нужно. (2) Органы общественной безопасности используют в базе данных беглых, уголовных базах данных хранятся данные для ареста (данные базы данных основаны на разыскиваемых или беглых). Однако обычно есть только положительное изображение, и иногда сложно сравнивать с реальным изображением лица, найденным на месте. [6]

ЗАКЛЮЧЕНИЕ

Система распознавания лиц развивается все быстрее и широко используется в повседневной жизни людей. В данной статье рассматривается определение распознавания лиц: это технология биометрической идентификации, основанная на лицевых чертах человека, с использованием камеры для захвата изображений лица человека и его идентификации через ряд процессов. Затем на картине описывается рабочий процесс системы распознавания лиц. Последним и наиболее важным является введение в применение распознавания лиц в четырех областях:

1. Финансовая сфера. В этом разделе рассматривается распознавание лиц в учете посещаемости в компаниях, обеспечении безопасности и банковском бизнесе.

2. Образовательная сфера. Этот раздел фокусируется на применении распознавания лиц для учета посещаемости в школах и интерактивного обучения детей.

3. Транспортная отрасль. Этот раздел в основном описывает применение распознавания лиц в примерах транспортных приложений и выгод.

4. Область общественной безопасности. В этом разделе рассказывается о некоторых реальных примерах применения распознавания лиц в области общественной безопасности и о его недостатках при применении в области общественной безопасности. Таким образом, через эту статью можно увидеть, что система распознавания лиц все более популярна среди людей в различных сферах, и ее производительность также полностью соответствует потребностям людей, но все еще существуют некоторые недостатки, которые требуют улучшения.

5. Перечень ссылок