Распознавание лиц. 
Интеллектуальные системы и технологии

Системы распознавания лиц могут решать задачи: детектирования лиц; слежения за лицами; верификации лиц; полного распознаванияя лиц.

При детектировании лиц происходят различение лица на фоне множества других объектов и определение его места на сцене.

При слежении за лицами предсказывается их возможное перемещение на последовательности изображений, т. е. оцениваются текущая и будущие позиции наблюдаемых лиц.

Верификация лиц предполагает их аутентификацию в требуемой позе. Эта задача часто решается в охранных системах предприятий, когда служащие проходят через пропускной пункт и камера фиксирует лица в строго определенной позе.

Полное распознавание лиц является самым сложным вариантом и используется, когда требуется узнать людей, но лицам, изображения которых хранятся в базе данных. Сложность распознавания возрастает, если лицо человека появляется в кадре с разным масштабом и ракурсом.

Ранние подходы к распознаванию лиц — корреляция и сравнение с шаблоном; фильтрация и сравнение с шаблоном; сравнение цветовых потоков при сканировании изображения лица. Такие системы имели небольшую различительную способность и не нашли практического применения.

Современные подходы: геометрический (по масочным шаблонам); разложение на собственные лица; несупервизорные статистические методы.

Пример несупервизорной системы распознавания лиц

В качестве примера рассмотрим систему распознавания лиц, построенную на основе статистического подхода (рис. 19.4) [17].

Рис. 19.4. Процесс распознавания лиц.

В этой системе сначала получается вектор признаков размерностью N с помощью преобразования габор-вейвлет, а затем выполняется анализ главных компонент, уменьшающий размерность этого вектора до п, и после этого определяется набор независимых признаков через анализ независимых компонент, снижающий размерность набора до т. Заметим, что преобразование изображений лиц габор-вейвлет демонстрирует сильные характеристики пространственной локальности, масштаба и ориентации элементов. С другой стороны, АГК и АН К значительно уменьшают избыточность признаков и выделяют в результате независимые признаки, наиболее пригодные для распознавания лиц.

Описанный метод дает 98% правильного распознавания при тестировании на интернет-базе лиц Ferret, 100% — на базе ORL. Габор-вейвлет — преобразование строится на основе вейвлетов с габор-ядрами, определяемыми функцией.

где z (x, у) — набор признаков; р, v — коэффициенты масштаба и ориентации Габорядер; _v = &_ve^,(p*‘ — вектор волны (k_v = &_шах/ f_v = яр/8 — пространственный фактор между ядрами в частотной области; &_тах = я / 2; f_v = л/2; а = 2я).

Ядра преобразования являются самоподобными, поскольку они генерируются из одного фильтра (материнского вейвлета) путем масштабирования через вектор волны _v. Каждое ядро делает оконное преобразование в комплексной плоскости: первый терм определяет осцилляторную часть ядра, второй терм является компенсирующей частью. Эффект второго терма незначителен, когда параметр ст, определяющий отношение ширины окна функции Гаусса и длины волны, имеет достаточно высокое значение. Используются вейвлеты с пятью масштабами (р е {0,…, 4}), восемью ориентациями (v? {1,…, 7}).

Таким образом, вейвлет-преобразование с использованием габор-ядер преобразует изображение /(г) через свертку, т. е.

Вектор признаков XW составляется из набора сверток с р е {0,4} и v е {1,…, 7}, т. е.

Этот вектор далее обрабатывается через преобразование АГК, дающее вектор и АН К, получающее вектор независимых признаков Z<^w) еще меньшей размерности (N > п > т)

Последний этап — классификация лиц с использованием вероятностной модели вывода, но вектору Z<^m). Эта модель имеет в основе байесовский классификатор, дающий минимальную ошибку классификации.