Tekninen esittely
Kasvontunnistustekniikka perustuu ihmisen kasvojen piirteisiin. Määritä syötettävää kasvokuvaa tai videovirtaa varten ensin, onko kasvot, jos on kasvot, sitten edelleen Jokaisen kasvon sijainti ja koko sekä kunkin suuren kasvoelimen sijaintitiedot. Tämän tiedon perusteella kunkin kasvon sisältämät identiteettiominaisuudet erotetaan edelleen ja niitä verrataan tunnettuihin kasvoihin kunkin kasvon identiteetin tunnistamiseksi.
Kasvojentunnistus laajassa merkityksessä sisältää itse asiassa joukon toisiinsa liittyviä tekniikoita kasvojentunnistusjärjestelmän rakentamiseen, mukaan lukien kasvokuvan kerääminen, kasvojen paikannus, kasvojentunnistuksen esikäsittely, henkilöllisyyden vahvistaminen ja henkilöllisyyden haku jne.; ja suppeassa merkityksessä Kasvojentunnistus viittaa erityisesti teknologiaan tai järjestelmään, joka käyttää ihmiskasvoja identiteetin vahvistamiseen tai löytämiseen.
Biometrisen tunnistustekniikan avulla tutkittuja biologisia ominaisuuksia ovat kasvot, sormenjälki, kämmenenjälki, iiris, verkkokalvo, ääni (ääni), kehon muoto, henkilökohtaiset tavat (kuten näppäimistöllä kirjoittamisen voimakkuus ja tiheys, allekirjoitus) jne. . , Vastaavia tunnistustekniikoita ovat kasvojen tunnistus, sormenjälkien tunnistus, kämmenjäljen tunnistus, iiriksen tunnistus, verkkokalvon tunnistus, äänentunnistus (äänentunnistusta voidaan käyttää henkilöllisyyden tunnistamiseen tai äänisisällön tunnistus, vain edellinen kuuluu biometriseen tunnistustekniikkaan) , Body muodon tunnistus, näppäimistön vetojen tunnistus, allekirjoituksen tunnistus jne.
Tekninen periaate
Kasvontunnistustekniikka koostuu kolmesta osasta:
(1) Kasvojentunnistus
Kasvojen tunnistus viittaa kohtaan Selvitä, onko dynaamisessa kohtauksessa kasvokuva ja monimutkainen tausta, ja erottaa kasvokuva. Yleensä on olemassa useita menetelmiä seuraavasti:
①Viitemallin menetelmä
Suunnittele ensin yksi tai useita vakiokasvomalleja ja laske sitten testissä kerättyjen näytteiden ja standardimallien välinen vastaavuus. Käytä kynnystä määrittääksesi, onko kasvot olemassa.
②Kasvoviivamenetelmä
Koska kasvoilla on tiettyjä rakenteellisia jakautumisominaisuuksia, niin kutsuttu kasvojen sääntömenetelmä on erottaa nämä piirteet ja luoda vastaavat säännöt sen määrittämiseksi, sisältääkö testinäytteessä ihmisiä Kasvot.
③Oppimismenetelmän esimerkki
Tämä menetelmä käyttää keinotekoisen hermoverkon menetelmää hahmontunnistuksessa, eli luokitin luodaan oppimalla kasvokuvanäytejoukko ja ei-kasvokuvanäytejoukko.
④Ihonvärimallimenetelmä
Tämä menetelmä perustuu kasvojen ihon värin suhteellisen keskittyneeseen jakautumiseen väriavaruudessa havaitsemista varten.
⑤Ominaisuuden alapinnan menetelmä
Tämä menetelmä pitää kaikkia kasvokuvajoukkoja kasvokuvaaliavaruuksina, ja se perustuu tunnistusnäytteen ja sen projektion väliseen etäisyyteen alitilassa. Selvitä, onko kasvokuvaa.
On syytä mainita, että edellä mainittuja viittä menetelmää voidaan käyttää kattavasti myös varsinaisissa tunnistusjärjestelmissä.
(2) Kasvojen seuranta
Kasvojen seuranta tarkoittaa havaittujen kasvojen dynaamista kohdeseurantaa. Erityisesti otetaan käyttöön mallipohjainen menetelmä tai menetelmä, joka perustuu liikkeen ja mallin yhdistelmään. Lisäksi ihonvärimallin seuranta on myös yksinkertainen ja tehokas menetelmä.
(3) Kasvojen vertailu
Kasvojen vertailun tarkoituksena on vahvistaa havaittujen kasvojen identiteetti tai etsiä kohdetta kasvokirjastosta. Tämä tarkoittaa itse asiassa sitä, että näytteiksi otettuja kasvokuvia verrataan vuorotellen varastossa oleviin kasvokuviin ja löydetään parhaiten vastaava kohde. Siksi kasvokuvan kuvaus määrittää kasvokuvan tunnistusmenetelmän ja suorituskyvyn. Käytetään pääasiassa kahta kuvausmenetelmää: piirrevektori ja kasvojen tekstuurimalli:
①Ominaisuusvektorimenetelmä
Tällä menetelmällä määritetään ensin kasvonpiirteiden, kuten iiriksen, nenän ja suun kulmien koko. Sijainti, etäisyys ja muut attribuutit ja laske sitten niiden geometriset piirresuureet, ja nämä piirresuureet muodostavat kasvokuvaa kuvaavan piirrevektorin.
②Kasvotekstuurimallimenetelmä
Tämä menetelmä on tallentaa kirjastoon useita tavallisia kasvokuvamalleja tai kasvoelinten malleja. Kun vertailet, ota näyte kasvokuvan kaikista pikseleistä. Se yhdistetään kaikkiin kirjaston malleihin käyttämällä normalisoitua korrelaatiomittausta. Lisäksi on olemassa menetelmiä, jotka käyttävät hahmontunnistusta yhdistämään autokorrelaatioverkkoja tai ominaisuuksia ja malleja.
Kasvojentunnistustekniikan ydin on itse asiassa "ihmiskehon osittainen ominaisuusanalyysi" ja "graafinen/hermotunnistusalgoritmi". Tämä algoritmi on menetelmä, joka käyttää ihmisen kasvojen eri elimiä ja tunnusomaisia osia. Esimerkiksi useista geometristä suhdetta vastaavista tiedoista muodostettuja tunnistusparametreja verrataan, arvioidaan ja vahvistetaan kaikkien tietokannan alkuperäisten parametrien kanssa. Yleensä tuomioajan vaaditaan olevan alle 1 sekunti.
Tunnistamisprosessi
Yleensä kolme vaihetta:
(1) Luo ensin kasvoprofiilitiedosto ihmisen kasvoista. Toisin sanoen kameraa käytetään yksikön henkilökunnan kasvojen kasvokuvatiedostojen keräämiseen tai heidän kuvien ottamiseen kasvokuvatiedostoiksi, ja nämä kasvokuvatiedostot generoidaan Faceprint-koodeiksi ja tallennetaan.
(2) Hanki nykyinen ihmisen kasvokuva. Toisin sanoen voit ottaa kameralla kasvokuvan nykyisestä saapuvasta ja lähtevästä henkilöstä tai ottaa valokuvan ja luoda kasvojen tekstuurikoodin nykyisestä kasvokuvatiedostosta.
(3) Käytä nykyistä kasvojen tekstuurikoodia vertaillaksesi tiedostoa. Tämä tarkoittaa nykyisen kasvojen tekstuurikoodin etsimistä ja vertaamista tiedostoluettelon kasvojen tekstuurikoodiin. Edellä mainittu "kasvotekstuurikoodaus" -menetelmä toimii ihmisen kasvojen olennaisten ominaisuuksien ja alun mukaan. Tämä kasvojen tekstuurikoodaus kestää muutoksia valossa, ihon sävyssä, kasvojen hiuksissa, hiustyylissä, silmälaseissa, ilmeissä ja asennossa, ja sillä on vahva luotettavuus, joten se voi tunnistaa henkilön tarkasti miljoonien ihmisten joukosta. Kasvojentunnistusprosessi voidaan suorittaa automaattisesti, jatkuvasti ja reaaliajassa tavallisilla kuvankäsittelylaitteilla.
Tekninen prosessi
Kasvojentunnistusjärjestelmä sisältää pääasiassa neljä osaa, nimittäin: kasvokuvan hankinta ja tunnistus, kasvokuvan esikäsittely, kasvokuvapiirteiden poimiminen ja täsmääminen ja tunnistus.
Kasvokuvan kerääminen ja tunnistus
Kasvokuvakokoelma: Kameran linssillä voidaan kerätä erilaisia kasvokuvia, kuten staattisia kuvia, dynaamisia kuvia, eri asentoja, erilaisia ilmeitä ja muita näkökohtia. Kun käyttäjä on sieppauslaitteen ampuma-alueella, sieppauslaite etsii ja tallentaa automaattisesti käyttäjän kasvokuvan.
Kasvojentunnistus: Käytännössä kasvojentunnistusta käytetään pääasiassa kasvojentunnistuksen esikäsittelyyn, eli kasvojen sijainnin ja koon tarkkaan kalibrointiin kuvassa. Kasvokuvien sisältämät kuvioominaisuudet ovat erittäin monipuolisia, kuten histogrammi-, väri-, malli-, rakenne- ja Haar-piirteet. Kasvojentunnistuksen tarkoituksena on poimia hyödyllisiä tietoja ja käyttää näitä ominaisuuksia kasvojentunnistuksen toteuttamiseen.
Yleinen kasvojentunnistusmenetelmä käyttää Adaboost-oppimisalgoritmia, joka perustuu yllä oleviin ominaisuuksiin. Adaboost-algoritmi on luokittelumenetelmä. Se yhdistää joitain heikompia luokitusmenetelmiä muodostaen uuden vahvan luokittelumenetelmän.
Kasvojentunnistusprosessissa Adaboost-algoritmia käytetään valitsemaan joitain suorakaiteen muotoisia piirteitä (heikkoja luokituksia), jotka edustavat kasvoja parhaiten, ja heikosta luokittelijasta muodostetaan vahva luokitin painotetun äänestysmenetelmän mukaisesti, ja sitten Useat Harjoittelemalla saadut vahvat luokittelijat kytketään sarjaan muodostamaan kaskadirakenteinen kaskadiluokitus, mikä parantaa tehokkaasti luokittimen tunnistusnopeutta.
Kasvokuvan esikäsittely
Kasvokuvan esikäsittely: Kasvojen kuvan esikäsittely perustuu kasvojentunnistuksen tulokseen, kuva käsitellään ja lopuksi toimitetaan piirteiden poimintaprosessiin. Järjestelmän hankkimaa alkuperäistä kuvaa ei useinkaan käytetä suoraan erilaisten olosuhteiden ja satunnaisten häiriöiden vuoksi. Se on esikäsiteltävä harmaasävykorjauksella ja kohinasuodatuksella kuvankäsittelyn alkuvaiheessa. Kasvokuvien esikäsittelyprosessi sisältää pääasiassa valon kompensoinnin, harmaasävymuunnoksen, histogrammin tasauksen, normalisoinnin, geometrisen korjauksen, suodatuksen ja kasvokuvan terävöittämisen.
Kasvokuvaominaisuuden poiminta
Kasvokuvapiirteiden poiminta: Kasvojentunnistusjärjestelmässä käytettävät ominaisuudet jaetaan yleensä visuaalisiin ominaisuuksiin, pikselitilastollisiin ominaisuuksiin, kasvokuvan muunnoskerroinominaisuuksiin, kasvokuvien algebrallisiin ominaisuuksiin jne. Kasvojen piirteiden erottaminen perustuu tietyissä ihmisen kasvojen piirteissä. Kasvojen piirteiden poistaminen, joka tunnetaan myös nimellä kasvojen esitys, on prosessi, jossa piirretään mallinnetaan ihmiskasvoista. Kasvojen piirteiden poistomenetelmät voidaan tiivistää kahteen kategoriaan: toinen on tietoon perustuva esitysmenetelmä; toinen on algebrallisiin piirteisiin tai tilastolliseen oppimiseen perustuva esitysmenetelmä.
Tietoon perustuva esitysmenetelmä perustuu pääasiassa kasvoelinten muodon ja niiden välisten etäisyyden ominaisuuksien kuvaukseen, jotta saadaan kasvojen luokittelua varten hyödyllistä tietoa. Ominaisuuden komponentteja ovat yleensä Ou-etäisyys, kaarevuus ja kulma jne. Ihmisen kasvot koostuvat osista, kuten silmät, nenä, suu ja leuka. Näiden osien geometrista kuvausta ja niiden välistä rakenteellista suhdetta voidaan käyttää tärkeinä piirteinä kasvojen tunnistamisessa. Näitä ominaisuuksia kutsutaan geometrisiksi piirteiksi. Tietoon perustuva kasvojen esitys sisältää pääasiassa geometrisiin piirteisiin perustuvia menetelmiä ja mallien sovitusmenetelmiä.
Kasvokuvan täsmäytys ja tunnistus
Kasvokuvan täsmäytys ja tunnistus: Poimitun kasvokuvan ominaisuustiedot etsitään ja yhdistetään tietokantaan tallennettuun piirremalliin. Asettamalla kynnysarvon, kun samankaltaisuus ylittää tämän kynnyksen, täsmäytystulos tulostetaan. Kasvojentunnistuksen tarkoituksena on verrata tunnistettavia kasvojen piirteitä saatuihin kasvopiirremalleihin ja arvioida kasvojen identiteettitiedot samankaltaisuuden asteen perusteella. Tämä prosessi on jaettu kahteen luokkaan: toinen on vahvistus, joka on yksi-yhteen-kuvavertailuprosessi, ja toinen on tunnistus, joka on yksi-moneen kuvan täsmäämis- ja vertailuprosessi.
Toimintomoduuli
Kasvojen sieppaus- ja seurantatoiminto
Kasvojen sieppaus tarkoittaa muotokuvan havaitsemista kuva- tai videovirran kehyksessä. Muotokuva erotetaan taustasta ja tallennetaan automaattisesti. Muotokuvan seuranta viittaa muotokuvankaappaustekniikan käyttöön, joka seuraa automaattisesti määritettyä muotokuvaa, kun se liikkuu kameran ottamalla alueella.
Kasvojentunnistuksen vertailu
Kasvojentunnistuksella on kaksi vertailutilaa: vahvistus ja haku. Varmentaminen tarkoittaa otettua muotokuvaa tai määritettyä muotokuvaa vertaamalla tietokantaan rekisteröityyn kohteeseen sen tarkistamiseksi, onko kyseessä sama henkilö. Hakutyyppinen vertailu tarkoittaa tietyn muotokuvan olemassaolon etsimistä kaikista tietokantaan rekisteröidyistä muotokuvista.
Kasvomallinnus ja haku
Rekisteröity muotokuvatieto voidaan mallintaa kasvojen piirteiden poimimiseksi ja kasvomallin luomiseksi (kasvokuvatiedosto) ) Tallenna tietokantaan. Kun suoritat kasvohakua (hakutyyli), mallinna määritetty henkilö ja vertaa sitä sitten kaikkien tietokannan ihmisten malliin tunnistamista varten ja lopuksi listaa samankaltaisimmat ihmiset vertailun samankaltaisuusarvoluettelon perusteella.
Oikean henkilön tunnistustoiminto
Järjestelmä voi tunnistaa, onko kameran edessä oleva henkilö oikea henkilö vai valokuva. Estä käyttäjiä käyttämästä valokuvia väärentämiseen. Tämä tekniikka edellyttää, että käyttäjä suorittaa kasvojen ilmeitä koordinoidusti.
Kuvan laadun tarkastus
Kuvan laatu vaikuttaa suoraan tunnistustehosteeseen. Kuvanlaadun tarkistustoiminto voi arvioida vertailtavien kuvien kuvanlaadun ja antaa vastaavan ehdotetun arvon tunnistamisen helpottamiseksi.
Analyysialgoritmi
Kasvojentunnistustekniikassa laajalti käytetty alueellinen piirteiden analysointialgoritmi, joka yhdistää tietokonekuvankäsittelytekniikan ja biostatistiikan periaatteet tietokonekuvankäsittelytekniikalla. Poimi kasvojen piirrepisteet videosta, käytä periaatteita biostatistiikkaa analysoimaan ja muodostamaan matemaattinen malli eli kasvojen piirremalli. Käytä rakennettua kasvojen piirremallia ja kohteen kasvoja piirreanalyysin suorittamiseen ja anna samanlainen arvo analyysin tuloksen perusteella. Tämän arvon avulla voidaan määrittää, onko kyseessä sama henkilö.
On olemassa monia kasvojentunnistusmenetelmiä. Tärkeimmät kasvojentunnistusmenetelmät ovat:
(1) Geometristen piirteiden kasvojentunnistusmenetelmä: Geometrisiä piirteitä voivat olla silmät, nenä, suu jne. Niiden muoto ja geometrinen suhde (kuten toistensa välinen etäisyys). Näillä algoritmeilla on nopea tunnistusnopeus ja ne vaativat vähän muistia, mutta tunnistusnopeus on alhainen.
(2) Kasvojen tunnistusmenetelmä, joka perustuu ominaispintaan (PCA): Ominaisuusmenetelmä on kasvojentunnistusmenetelmä, joka perustuu KL-muunnokseen, joka on optimaalinen ortogonaalinen muunnos kuvan pakkaamiseen. Sen jälkeen kun KL:llä on muunnettu korkeaulotteinen kuvaavaruus, saadaan uusi joukko ortogonaalisia kantaa, ja tärkeät ortogonaaliset kantakannat säilyvät. Nämä pohjat voidaan laajentaa pieniulotteiseksi lineaariksi avaruuteen. Jos oletetaan, että ihmiskasvojen projektiot näissä pieniulotteisissa lineaarisissa tiloissa ovat erotettavissa, näitä projektioita voidaan käyttää tunnistuksen ominaisvektoreina. Tämä on eigenface-menetelmän perusidea. Nämä menetelmät vaativat enemmän harjoitusnäytteitä, ja ne perustuvat täysin kuvan harmaasävyjen tilastollisiin ominaisuuksiin. Tällä hetkellä on olemassa joitain parannettuja ominaiskasvomenetelmiä.
(3) Hermoverkon kasvojentunnistusmenetelmä: Neuroverkon syötteenä voi olla kasvokuva, jonka resoluutio on alennettu, paikallisen alueen autokorrelaatiofunktio, paikallisen tekstuurin toinen momentti jne. Tämän tyyppinen menetelmä myös vaatii enemmän näytteitä koulutukseen, ja monissa sovelluksissa näytteiden määrä on hyvin rajallinen.
(4) Elastisen graafisovituksen kasvojentunnistusmenetelmä: Elastinen kuvaajasovitusmenetelmä määrittää etäisyyden kaksiulotteisessa avaruudessa, joka on muuttumaton tavanomaiseen kasvojen muodonmuutokseen nähden, ja käyttää attribuutteja. Topologinen graafi edustaa kasvoja ja mitä tahansa kärkipisteitä. topologisesta graafista sisältää piirrevektorin, jolla tallennetaan kärjen lähellä olevan kasvon tiedot. Tämä menetelmä yhdistää harmaasävyominaisuudet ja geometriset tekijät mahdollistaen kuvien elastisen muodonmuutoksen vertailun aikana ja on saavuttanut hyviä tuloksia kasvojen ilmemuutosten vaikutuksen voittamiseksi tunnistamisessa. Samanaikaisesti yhdelle henkilölle ei enää tarvita useita näytteitä. kouluttaa.
(5) Viivasegmentin Hausdorffin etäisyyteen (LHD) perustuva kasvojentunnistusmenetelmä: Psykologiset tutkimukset osoittavat, että ihmiset eivät ole huonompia kuin harmaasävykuvien tunnistaminen ääriviivakarttojen (kuten sarjakuvien) tunnistamisessa nopeudella ja tarkkuudella. LHD perustuu ihmisen kasvojen harmaasävykuvasta otettuun viivasegmenttikaavioon. Se määrittää kahden janajoukon välisen etäisyyden. Erona on se, että LHD ei muodosta yksi-yhteen vastaavuutta linjaosien välille eri linjasegmenttijoukkojen välillä. Suhde, joten se pystyy paremmin sopeutumaan pieniin muutoksiin janakaavioiden välillä. Kokeelliset tulokset osoittavat, että LHD toimii erittäin hyvin erilaisissa valaistusolosuhteissa ja erilaisissa asennoissa, mutta se ei toimi hyvin suurten ilmeiden tunnistamisessa.
(6) Tukivektorikoneen (SVM) kasvojentunnistusmenetelmä: Tukivektorikone on uusi hot spot tilastollisen kuviontunnistuksen alalla. Se yrittää saada oppimiskoneen saavuttamaan kokemusriskin ja yleistyskyvyn tason Kompromissi oppimiskoneen suorituskyvyn parantamiseksi. Tukivektorikone ratkaisee pääasiassa 2-luokitteluongelman. Sen perusideana on yrittää muuttaa matalaulotteinen lineaarisesti erottamaton ongelma korkeaulotteiseksi lineaarisesti erotettavaksi ongelmaksi. Tavalliset kokeelliset tulokset osoittavat, että SVM:llä on hyvä tunnistusnopeus, mutta se vaatii suuren määrän koulutusnäytteitä (300 per luokka), mikä on usein epärealistista käytännön sovelluksissa. Lisäksi tukivektorikoneen koulutusaika on pitkä, menetelmä on monimutkainen toteuttaa, eikä tämän toiminnon valinnalle ole yhtenäistä teoriaa.
Tekniset tiedot
Yleensä kasvojentunnistusjärjestelmiä ovat kuvankaappaus, kasvojen paikannus, kuvien esikäsittely ja kuvankäsittely.