Техническо въведение
Технологията за разпознаване на лица се основава на чертите на човешкото лице. За входното изображение на лице или видеопоток първо определете дали има лице, ако има лице, след това по-нататък Дават се местоположението и размерът на всяко лице и информацията за местоположението на всеки основен орган на лицето. Въз основа на тази информация характеристиките за самоличност, съдържащи се във всяко лице, се извличат допълнително и се сравняват с познати лица, за да се идентифицира самоличността на всяко лице.
Разпознаването на лица в широк смисъл всъщност включва поредица от свързани технологии за конструиране на система за разпознаване на лица, включително събиране на изображения на лица, позициониране на лица, предварителна обработка на разпознаване на лица, потвърждаване на самоличността и търсене на самоличност и т.н.; и в тесен смисъл разпознаването на лица по-специално се отнася до технология или система, която използва човешки лица за потвърждаване или намиране на самоличност.
Биологичните характеристики, изследвани от технологията за биометрично разпознаване, включват лице, пръстов отпечатък, отпечатък от длан, ирис, ретина, глас (глас), форма на тялото, лични навици (като сила и честота на писане на клавиатурата, подпис) и т.н. , Съответните технологии за разпознаване включват разпознаване на лице, разпознаване на пръстови отпечатъци, разпознаване на длан, разпознаване на ириса, разпознаване на ретината, гласово разпознаване (гласовото разпознаване може да се използва за разпознаване на самоличността или разпознаване на гласово съдържание, само първото принадлежи към технологията за биометрично разпознаване) , Тяло разпознаване на фигури, разпознаване на удари от клавиатурата, разпознаване на подпис и др.
Технически принцип
Технологията за разпознаване на лица се състои от три части:
(1) Разпознаване на лице
Разпознаването на лице се отнася за определяне дали има изображение на лице в динамична сцена и сложен фон и отделяне на изображението на лицето. Като цяло има няколко метода, както следва:
①Метод на референтен шаблон
Първо проектирайте един или няколко стандартни шаблона за лице и след това изчислете съвпадението между пробите, събрани в теста, и стандартните шаблони Степен и използвайте прага, за да определите дали има лице.
②Метод за правило за лице
Тъй като лицето има определени характеристики на структурно разпределение, така нареченият метод на правило за лице е да извлече тези характеристики, за да генерира съответните правила, за да определи дали тестовата извадка съдържа лица с хора.
③Примерен метод на обучение
Този метод възприема метода на изкуствената невронна мрежа при разпознаване на образи, т.е. класификаторът се генерира чрез изучаване на примерния набор от изображения на лице и набора от примерни изображения без лице.
④Метод на модела на цвета на кожата
Този метод се основава на относително концентрираното разпределение на цвета на кожата на лицето в цветовото пространство за откриване.
⑤Метод за подлице на черта
Този метод разглежда всички комплекти изображения на лица като подпространство на изображение на лице и се основава на разстоянието между пробата за откриване и нейната проекция в подпространството. Определете дали има изображение на лице.
Заслужава да се спомене, че горните пет метода могат да се използват цялостно и в действителни системи за откриване.
(2) Проследяване на лица
Проследяването на лица се отнася за динамично целево проследяване на открити лица. По-конкретно, възприема се метод, базиран на модел или метод, базиран на комбинация от движение и модел. В допълнение, използването на модел за проследяване на цвета на кожата също е прост и ефективен метод.
(3) Сравнение на лица
Сравнението на лица е за потвърждаване на самоличността на откритото лице или за търсене на целта в библиотеката с лица. Това всъщност означава, че извадките от изображения на лица се сравняват последователно със стандартните изображения на лица и се намира най-добрият съответстващ обект. Следователно описанието на изображението на лицето определя конкретния метод и изпълнение на разпознаването на изображението на лицето. Основно се използват два метода за описание: вектор на черта и шаблон за текстура на лицето:
①Метод на векторни характеристики
Този метод е първо да се определи размерът на чертите на лицето, като ирис, нос и ъгли на устата. Позиция, разстояние и други атрибути, след което се изчисляват техните геометрични характеристики и тези характеристики формират вектор на характеристиките, описващ изображението на лицето.
②Метод за шаблон за текстура на лицето
Този метод е за съхраняване на редица стандартни шаблони за лицеви изображения или шаблони за лицеви органи в библиотеката. Когато сравнявате, вземете проби от всички пиксели на изображението на лицето. То се съпоставя с всички шаблони в библиотеката, като се използва нормализираната корелационна мярка. Освен това има методи, които използват разпознаване на образи за комбиниране на автокорелационни мрежи или функции и шаблони.
Ядрото на технологията за разпознаване на лица всъщност е „частичен анализ на характеристиките на човешкото тяло“ и „алгоритъм за графично/невронно разпознаване“. Този алгоритъм е метод, който използва различните органи и характерни части на човешкото лице. Например, идентификационните параметри, формирани от множество данни, съответстващи на геометричната връзка, се сравняват, преценяват и потвърждават с всички оригинални параметри в базата данни. Обикновено се изисква времето за преценка да бъде по-малко от 1 секунда.
Процесът на разпознаване
Общо взето има три стъпки:
(1) Първо създайте файл с профил на лицето на човешкото лице. Това означава, че камерата се използва за събиране на файлове с изображения на лица на лицата на персонала на единицата или за правене на техни снимки, за да се образуват файлове с изображения на лица и тези файлове с изображения на лица се генерират в кодове за Faceprint и се съхраняват.
(2) Вземете текущото изображение на човешко лице. Тоест, използвайте камерата, за да заснемете изображението на лицето на текущия човек, който влиза и излиза, или направете входна снимка и генерирайте кода на текстурата на лицето от текущия файл с изображение на лицето.
(3) Използвайте текущия код за текстура на лицето, за да сравните с инвентара на файла. Това е да търсите и сравнявате текущия код на текстурата на лицето с кода на текстурата на лицето в инвентара на файла. Споменатият по-горе метод за „кодиране на текстурата на лицето“ работи според основните характеристики и началото на човешкото лице. Това кодиране на текстурата на лицето може да устои на промените в светлината, тена на кожата, окосмяването по лицето, прическата, очилата, израженията и позата и има силна надеждност, така че да може точно да идентифицира човек от милиони хора. Процесът на разпознаване на лица може да бъде завършен автоматично, непрекъснато и в реално време с помощта на обикновено оборудване за обработка на изображения.
Технически процес
Системата за разпознаване на лица включва основно четири компонента, а именно: получаване и откриване на изображение на лице, предварителна обработка на изображение на лице, извличане на характеристики на изображение на лице и съпоставяне И разпознаване.
Събиране и откриване на изображения на лица
Събиране на изображения на лица: Обективът на камерата може да събира различни изображения на лица, като например статични изображения, динамични изображения, различни позиции, различни изражения и други аспекти могат да бъдат добре събрани. Когато потребителят е в обхвата на снимане на устройството за заснемане, устройството за заснемане автоматично ще търси и заснема изображението на лицето на потребителя.
Разпознаване на лице: На практика разпознаването на лице се използва главно за предварителна обработка на разпознаването на лица, т.е. за точно калибриране на позицията и размера на лицето в изображението. Характеристиките на шаблона, съдържащи се в изображенията на лица, са много богати, като характеристики на хистограма, характеристики на цвета, характеристики на шаблони, структурни характеристики и характеристики на Хаар. Разпознаването на лице е да избере полезна информация и да използва тези функции за реализиране на разпознаване на лице.
Основният метод за разпознаване на лица използва алгоритъма за обучение Adaboost въз основа на горните функции. Алгоритъмът Adaboost е метод за класификация. Той комбинира някои по-слаби методи за класификация, за да формира нов силен класификационен метод.
В процеса на разпознаване на лица алгоритъмът Adaboost се използва за избиране на някои правоъгълни характеристики (слаби класификатори), които най-добре представят лицето, а слабият класификатор се конструира в силен класификатор според метода на претеглено гласуване и след това Няколко силните класификатори, получени чрез обучение, са свързани последователно, за да образуват каскадно структуриран каскаден класификатор, който ефективно подобрява скоростта на откриване на класификатора.
Предварителна обработка на изображението на лицето
Предварителна обработка на изображението на лицето: Предварителната обработка на изображението на лицето се основава на резултата от разпознаването на лице, изображението се обработва и накрая служи за процеса на извличане на функции. Оригиналното изображение, получено от системата, често не се използва директно поради различни условия и случайни смущения. То трябва да бъде предварително обработено с корекция на сивата скала и филтриране на шума в ранния етап на обработка на изображението. За изображения на лица процесът на предварителна обработка включва главно компенсация на светлината, трансформация на сивата скала, изравняване на хистограмата, нормализиране, геометрична корекция, филтриране и изостряне на изображението на лицето.
Извличане на характеристики на изображението на лицето
Извличане на характеристики на изображението на лицето: Функциите, които могат да се използват в система за разпознаване на лица, обикновено се разделят на визуални характеристики, пикселни статистически характеристики, характеристики на коефициента на трансформация на изображението на лицето, алгебричните характеристики на изображенията на лицето и т.н. Извличането на черти на лицето се основава върху определени черти на човешкото лице. Извличането на черти на лицето, известно още като представяне на лица, е процесът на моделиране на черти на човешки лица. Методите за извличане на черти на лицето могат да бъдат обобщени в две категории: едната е методът на представяне, базиран на знания; другият е методът на представяне, базиран на алгебрични характеристики или статистическо обучение.
Методът за представяне, базиран на знания, се основава главно на описанието на формата на органите на лицето и характеристиките на разстоянието между тях, за да се получат данни за характеристиките, които са полезни за класификацията на лицето. Компонентите на характеристиките обикновено включват Ou разстояние, кривина и ъгъл и т.н. Човешкото лице се състои от части като очи, нос, уста и брадичка. Геометричното описание на тези части и структурната връзка между тях могат да се използват като важни характеристики за разпознаване на лицето. Тези характеристики се наричат геометрични характеристики. Представянето на лице, базирано на знания, включва главно методи, базирани на геометрични характеристики и методи за съвпадение на шаблони.
Съвпадение и разпознаване на изображение на лице
Съвпадение и разпознаване на изображение на лице: Данните за характеристиките на извлеченото изображение на лицето се търсят и съпоставят с шаблона за характеристики, съхранен в базата данни. Чрез задаване на праг, когато сходството надвиши този праг, се извежда съвпадащият резултат. Разпознаването на лице е да се сравнят характеристиките на лицето, които трябва да бъдат разпознати, с получените шаблони за характеристики на лицето и да се прецени информацията за самоличността на лицето въз основа на степента на сходство. Този процес е разделен на две категории: едната е потвърждение, което е процес на сравняване на изображения едно към едно, а другата е идентификация, което е процес на съпоставяне и сравнение на изображения едно към много.
Функционален модул
Функция за улавяне и проследяване на лица
Заснемането на лице се отнася до откриването на портрет в рамка на изображение или видео поток и портретът се отделя от фона и се запазва автоматично. Проследяването на портрет се отнася до използването на технология за заснемане на портрет за автоматично проследяване на определен портрет, когато се движи в обхвата, заснет от камерата.
Сравнение на разпознаване на лица
Разпознаването на лица има два режима на сравнение: проверка и търсене. Проверката се състои в сравняване на заснетия портрет или посочения портрет с регистриран обект в базата данни, за да се провери дали това е едно и също лице. Сравнението на стил на търсене се отнася до търсене на съществуването на определен портрет от всички портрети, регистрирани в базата данни.
Моделиране и извличане на лица
Регистрираните портретни данни могат да бъдат моделирани, за да се извлекат чертите на лицето и да се генерира шаблон за лице (файл с характеристики на лицето) ) Запазете в базата данни. Когато извършвате търсене на лица (стил на търсене), моделирайте обозначеното лице и след това го сравнете с шаблона на всички хора в базата данни за разпознаване и накрая избройте най-сходните хора въз основа на сравнения списък със стойност на сходство.
Функция за идентификация на реално лице
Системата може да идентифицира дали човекът пред камерата е истински човек или снимка. За да попречи на потребителите да използват снимки за фалшифициране. Тази технология изисква от потребителя да изпълнява координирани изражения на лицето.
Проверка на качеството на изображението
Качеството на изображението пряко влияе върху ефекта на разпознаване. Функцията за проверка на качеството на изображението може да оцени качеството на изображението на снимките, които трябва да бъдат сравнени, и да даде съответната предложена стойност за подпомагане на идентификацията.
Алгоритъм за анализ
Алгоритъм за анализ на регионални характеристики, широко използван в технологията за разпознаване на лица, който съчетава компютърна технология за обработка на изображения и биостатистически принципи, използвайки компютърна технология за обработка на изображения Извличане на точки от черти на лицето от видеото, използване на принципите на биостатистиката за анализиране и установяване на математически модел, т.е. шаблон за черта на лицето. Използвайте вградения шаблон за характеристики на лицето и лицето на обекта, за да извършите анализ на характеристиките и дайте подобна стойност въз основа на резултата от анализа. Тази стойност може да се използва, за да се определи дали става дума за едно и също лице.
Има много методи за разпознаване на лица. Основните методи за разпознаване на лица са:
(1) Метод за разпознаване на лица с геометрични характеристики: Геометричните характеристики могат да бъдат очи, нос, уста и т.н. Формата и геометричната връзка между тях (като разстоянието помежду си). Тези алгоритми имат висока скорост на разпознаване и изискват малко памет, но степента на разпознаване е ниска.
(2) Метод за разпознаване на лице, базиран на собствено лице (PCA): Методът на собствено лице е метод за разпознаване на лице, базиран на KL трансформация, която е оптимална ортогонална трансформация за компресиране на изображение. След като пространството на изображения с големи размери се трансформира от KL, се получава нов набор от ортогонални бази и важните ортогонални бази се запазват. Тези основи могат да бъдат разширени в нискомерно линейно пространство. Ако се приеме, че проекциите на човешките лица в тези нискоразмерни линейни пространства са разделими, тези проекции могат да се използват като собствени вектори за разпознаване. Това е основната идея на метода на собственото лице. Тези методи изискват повече проби за обучение и са изцяло базирани на статистическите характеристики на сивата скала на изображението. В момента има някои подобрени методи за собствено лице.
(3) Метод за разпознаване на лице с невронна мрежа: Входът на невронната мрежа може да бъде изображението на лицето с намалена разделителна способност, автокорелационната функция на локалната област, вторият момент на локалната текстура и т.н. Този тип метод също изисква повече проби за обучение и в много приложения броят на пробите е много ограничен.
(4) Метод за разпознаване на лица за съпоставяне на еластична графика: Методът за съпоставяне на еластична графа дефинира разстояние в двумерно пространство, което е инвариантно към обичайната деформация на лицето, и използва атрибути. Топологичната графика представлява лицето и всеки връх на топологичната графа съдържа вектор на характеристиките, който се използва за записване на информацията за лицето близо до върха. Този метод съчетава характеристиките на сивата скала и геометричните фактори, позволявайки еластична деформация на изображенията по време на сравнение и е постигнал добри резултати при преодоляване на влиянието на промените в изражението на лицето върху разпознаването. В същото време вече не са необходими множество проби за един човек. влак.
(5) Метод за разпознаване на лица, базиран на разстоянието на Хаусдорф от линеен сегмент (LHD): Психологическите изследвания показват, че хората не са по-лоши от разпознаването на изображения в сива скала по отношение на скоростта и точността при разпознаването на контурни карти (като комикси). LHD се основава на графиката на линейния сегмент, извлечена от изображението в сивата скала на човешкото лице. Той определя разстоянието между два набора сегменти. Разликата е, че LHD не установява съответствие едно към едно между линейните сегменти между различни комплекти линейни сегменти. Връзка, така че е по-способен да се адаптира към малки промени между графиките на линейните сегменти. Експерименталните резултати показват, че LHD се представя много добре при различни условия на осветление и различни пози, но не се представя добре при разпознаване на големи изражения.
(6) Метод за разпознаване на лице на опорна векторна машина (SVM): опорна векторна машина е нова гореща точка в областта на статистическото разпознаване на образи. Опитва се да накара обучаващата се машина да достигне нивото на риск от опит и способност за обобщение. Компромис за подобряване на работата на обучаващата машина. Машината за поддържащи вектори решава основно проблем с 2-класификация. Неговата основна идея е да се опита да трансформира нискомерен линейно неразделим проблем в високомерен линейно разделим проблем. Обичайните експериментални резултати показват, че SVM има добра степен на разпознаване, но изисква голям брой тренировъчни проби (300 на клас), което често е нереалистично в практически приложения. Освен това времето за машинно обучение на опорния вектор е дълго, методът е сложен за изпълнение и няма единна теория за избора на тази функция.
Технически подробности
Общо казано, системите за разпознаване на лица включват заснемане на изображения, позициониране на лица, предварителна обработка и обработка на изображения.