CC BY
6
Научни трудове на Съюза на учените в България-Пловдив Серия A. Обществени науки, изкуство и култура том IV, ISSN 1311-9400 (Print); ISSN 2534-9368 (On-line), 2017, Scientific works of the Union of Scientists in Bulgaria-Plovdiv, seriesA. Public sciences, art and culture, Vol. IV, ISSN 1311-9400 (Print); ISSN 2534-9368 (On-line), 2017.
БИОМЕТРИЧНО ЛИЦЕВО РАЗПОЗНАВАНЕ Йови Лулов
Университет по библиотекознание и информационни технологии
BIOMETRIC FACE RECOGNITION Yovi Lulov
University of library study and information technology
Abstract: In the last years, face recognition is the most interesting field of research in the image processing. This study describe some important aspects of face recognition processes like face recognition, facial recognition, facial tracking, facial features, gender classification, identification system, passport control, and access control, grouping, biometrics, human computer interaction (HCI), digital cosmetics and many more [1]. First, it is important to pay attention to established detection techniques [2] and then some methods to detect features, because until the important features are extracted (eyes, nose, mouth), the person will not be able to identify correctly as the unique identity of a person.
Keywords: face recognition, segmentation, face, facial features
През последните десетилетия лицевото разпознаване представлява най-интересното изследователско поле от областта на обработка на изображения. В тази статия са описани някои важни аспекти на разпознаването на лица, които са в голяма полза в много приложения, като разпознаване на лица, разпознаване на лицеви изражения, лицево проследяване, извличане на лицеви черти, половата класификация, идентификационната система, контрол на документите и контрол на достъпа, групиране, биометрични науки, система за човешко компютърно взаимодействие (HCI), цифрова козметика и много други [1]. Първо е важно да се обърне внимание на установените техники за лицево откриване [2] и след това някои методи за откриване на черти, защото докато не се извлекат важните черти (очи, нос, уста) от лицето няма да може да се идентифицира правилно като уникална идентичност на човек. "Откриването на лица", означава да се разбере къде е разположено лицето в изображението. Дейност, която трябва да бъде разглеждана с много ограничения като едно лице или множество лица, ротация на изображението, поза и т.н. Така че може да възникнат някои фалшиви открити области на изображението, които не съдържат лице. Въпреки всички тези проблеми има много налични техники. Разпознаването на лице е процедура, чрез която може да се извлече лицевата област от човешкото тяло. Концепцията може да бъде изпълнена по различни начини, но основно се използват четири стъпки за тази имплементация. В първата стъпка се локализира лицето, което означава, че се маркират онези части от изображението, където може да има лице. Във втората стъпка се 218
нормализира установения регион, така че подрежданията на различни черти на лицето са в подходящо местоположение. В третата стъпка се извличат различни черти на лицето, като очи, нос, уста и др. Четвъртата стъпка, проверява дали маркираните части реално покриват лице или не. Това се прави с помощта на някои правила, шаблони или бази данни за изображения. Концепцията за извличане може да се прилага чрез различни техники. Има огромен брой статии, свързани с проучвания за откриване на лица. Повечето от по-ранните разработки се основават на фронтален лицев изглед, но последващите разработки се съсредоточават главно върху нефронтално лице с вариации. Също така вместо към изображения, разработките се насочват предимно към видео потоци.
Фиг.1:
Резултат от алгоритъм за откриване на лице
Фиг. 2: Стъпки на откриване на лице
ЛОКАЛИЗАЦИЯ В тази стъпка се намира областта на изображението, където е лицето. Лицевият район съдържа само някои черти на лицето, като броят им зависи от приложението. В процеса на локализация може да настъпят някои проблеми като фалшиво откриване поради лошо качество на снимката, ориентация на главата, позиция, израз и т.н. Следователно тези ограничения са важни, за да се направи процесът на откриване на областта на лицето по-сигурен.
НОРМАЛИЗАЦИЯ След правилното намиране на региона на лицето трябва да се нормализира лицевата област [3]. Използвайки нормализация, лицето се подравнява в региона така че всички лицеви черти да са в техните подходящи местоположения. Освен това може да се наложи мащабиране, завъртане на изображението или друга трансформация, за да се съпостави с вписването в съответната база данни.
ИЗВЛИЧАНЕ НА ЧЕРТИ НА ЛИЦЕТО В тази стъпка на разпознаване на лица се извличат различни черти на лицето, като очи, нос, уста и др. от откритата лицева област. Има различни методи за извличане на черти: Генерични методи, базирани на ръбови стойности, линии и криви; Базирани на лицеви шаблони за черти, които се използват за откриване на различни черти на лицата като очи, нос и уста; Методи, основани на сегментация на цветовете, които използват цвета на лицето взимайки стойностите на интензитета; Методи, базирани на основата на външния изглед, които са в състояние да проследяват промените в състоянието на осветеността, формата, позата и отражението, като дори се занимават с управление на транслирането и частични оклузии (скрити зони).
ВЕРИФИКАЦИЯ В процеса на потвърждаване се проверяват взаимоотношенията между различните черти с някои входни ръководства от базата данни, съдържаща огромен брой лица. Проверката не може да се извърши само с това. Трябва да се използват установените правила, които имат корелациите на различните лицеви черти или да се използват методи, базирани на шаблони, където се използва специфичен шаблонен модел с опит да се открие дали региона на лицето се вписва в този модел.
ТЕХНИКИ ЗА ОТКРИВАНЕ НА ЛИЦА Има огромен брой техники за откриване на лица, включително базирани на знания, на базата на инвариантност на лицевите черти, чрез съвпадение на шаблони, методи базирани на външен вид, методи базирани на части от лицето и др.
МЕТОДИ, БАЗИРАНИ НА ЗНАНИЯ Тези методи кодират човешки знания за типично лице. Правилата следят за връзките между отделните черти. Тези методи са предназначени основно за локализиране на лице, с цел да се определи позицията на лицето в изображението.
ИНВАРИАНТНИ ПОДХОДИ СПРЯМО ЛИЦЕВИТЕ ЧЕРТИ Тези алгоритми имат за цел да намерят структурата на лицевите черти спрямо вариацията на състоянието на позата, гледната точка или осветеността. За да се разграничи от предните методи, тук се започва от процеса на извличане на лицеви черти и намирането на области, кандидати за лице, като после се проверява всеки кандидат по пространствени отношения, докато методите, базираните на знание използват информацията за цялото и са чувствителни към сложни бекграунди и други фактори. Лицевото разпознаване, базирано на информацията от цветовете, с изчисление на произволно етикетиран граф попада в тази категория.
МЕТОДИ ЗА СЪВПАДЕНИЕ С ШАБЛОНИ Стандартни модели на лице се съхраняват, за да опишат лицето като цяло или като отделни лицеви черти. Връзките между входно изображение и запаметеният модел се пресмятат. Тези методи са използват за откриване и локализиране на лице. Изчисляване на деформируем шаблон попада в тази категория, където шаблонът на лицата е деформируем спрямо дефинирани правила и ограничения.
МЕТОДИ, БАЗИРАНИ НА ВЪНШНИЯ ВИД Моделите се обучават с набор от обучаващи изображения, които трябва да уловят промяната на външния вид на лицето в различните позиции. Тези обучени модели се използват в последствие за откриването. Повече за тези техники е описано в [1] [2]. Примери от този тип методи са лицевите разпознавания, основани на изгледа, функциите на Haar и Adaboost алгоритъма.
МЕТОДИ, БАЗИРАНИ НА ЧАСТИ ОТ ЛИЦЕТО Използват рамка на графичен модел с откриване на разлики от Gaussian детектор [4] (използван в детекторът SIFT) и Хесиански афинен детектор, този метод се радва на повече внимание. SVM попада в тази категория.
РАЗПОЗНАВАНЕ НА ЛИЦА Лицевото засичане е първата стъпка към много приложения, едно от тях е разпознаването на лица. За да се разпознае лице, първо трябва да бъде открита областта на лицето и след това да се сравни с набор от лицата в базата данни за проверка на самоличността на човек. Концепцията за разпознаване на лица може да бъде разширена с различни биометрични подходи, включително пръстови отпечатъци, ирисово/ретиново и гласово разпознаване. Техниките за разпознаване на лица могат да бъдат класифицирани в два основни подхода: геометричен подход или основен подход, при който анализираме различни лицеви черти чрез връзките им [5] и холистичен подход [6], като Eigenface невронни мрежи [7].
Фиг. 3: Разпознаване на лица с помощта на геометрични подход
Фиг. 4: Извличане на черти на лицето
ГЕОМЕТРИЧНИ ПОДХОДИ или базирани на подход базиран на лицевите черти за разпознаване на лице В тези подходи първо се обработва входното изображение за премахване на шума, след това се извличат отличителните черти на лицето като очите, устата, носа и т.н. и след това се изчисляват геометричните връзки между тези точки на лицето, като по този начин се намалява входното изображение на лицето към вектора на геометричните особености на чертите. Техника за разпознаване със стандартен статистически модел пресмята стойностите на лицето. Повечето от по-старите изследвания се основават на тази техника.
ИЗЧИСЛЕНИЕ С ЕЛАСТИЧЕН СВЪРЗАН ГРАФ от Wiskott и др.. Тази техника се основава на динамични структури на връзката. При тези методи лицето се взима за граф с няколко свързани възли- крайни точки. Всеки възел съответства на специфична функция. Например, възел може да съответства на око, друг възел може да съответства на носа и т.н. и арка между две точки, етикетирана с разстоянието между възлите. Следователно възлите на графа на входните лица са взаимосвързани, за да образуват граф като структурата на данните, който е приспособен към формата на лицето. Тук лицата се разпознават чрез съвпадение на графи за входните лица, в галерията която е представена като графа на модела на лицето.
СТАТИСТИЧЕСКИ ПОДХОД В този най-прост подход се представя образа като 2D масив, съдържащ стойностите на интензитета и разпознаването се извършва чрез пряка корелация на сравнения между входното лице и всички други лица в базата данни. Макар че изглежда много лесно за изпълнение, често има проблеми като вариация в осветлението мащаб, поза и т.н.. Да се премахнат тези сложни изчисления, се намалява размера до запазване само на най-значимите величини на функциите преди да се извърши разпознаването.
ИЗВЛИЧАНЕ НА ЧЕРТИТЕ НА ЛИЦЕТО, като очи, нос и уста, както и техните пространствени връзки са много важни в различни приложения, като разпознаване на лица, откриване на лицевия израз, проследяване на лица, четене по устни и др.. След откриването на лицевата област от затрупано с фон изображение трябва да се извлекат различни елементи от лицето, и след това да се потвърдят за целта на разпознаването [8]. Стойности за различните черти могат да бъдат кодирани ръчно или чрез използване на някаква процедура за автоматично обучение от набор от данни. Има пет вида извличане на функции:-Генерични методи, базирани на ръбове, линии и криви; -Габорова вълнова трансформация, базирана на извличането на лицеви черти; -Методи, базирани на шаблони за лицеви черти за откриване на части като нос, уста, очи и др.; -Методи, базирани на цветовата сегментация, използват цвета на лицето в стойности на интензитета; -Методи, базирани на външния изглед, използващи осветеността, формата и отражението.
РАЗПОЗНАВАНЕ НА ЛИЦЕВО ИЗРАЖЕНИЕ Разпознаването на изражението на лицето може да се опише като интерпретация на чертите на лицето чрез математически алгоритми. Извършва се изследване на жестовете като входни изображения. Основната цел на изследването по разпознаване на жестове е да се създаде система, с която може да се идентифицира конкретни човешки жестове. С наблюдение на израза лицето, може да се заключи дали човек е сериозен, щастлив, замислен, тъжен, чувства болка и т.н. Лицевото изражение може да помогне в много от области като медицинската наука, където лекар би могъл да бъде предупреден, когато пациентът изпитва болка. В статията се отделя внимание на проста архитектура, която разпознава лицевото изражение.
Фиг. 6: Откриване на изражението на лицето БАЗИРАНО НА НЕВРОННИ МРЕЖИ РАЗПОЗНАВАНЕ НА ЛИЦЕВО ИЗРАЖЕНИЕ
Разгледаната схема на базирана на невронна мрежа техника за откриване на лицево изражение се състои от пет модула, както е показано в следващата фигура.
Фиг. 7: Проста архитектура на система за разпознаване на лицево изражение
Всяка кутия, показана на горната фигура, се разглежда като един модул. Първият модул улавя изображението с камера. Вторият модул съдържа лицевото разпознаване, където се открива лицето в заснетото изображение. Комплект от модули, ограничени от гранични прагове представляват блок за предварителна обработка. Представлява изравняване на хистограма, детекция на ръба, изтъняване и модули за генериране на символи. В следващият модул се извършва обучение за съхраняваната информацията, която идва от предния модул. Това обучение се осъществява с невронна мрежа за разпространение. В последният модул се извършва изчисление за съвпадение, който се нарича модул за разпознаване, който произвежда крайния резултат.
В тази статия се разглеждат подробно различните етапи при техниките за откриване на лица. Някои от най-популярните техники за откриване на лица са описани накратко. Техниките за откриване на лица се използват в различни приложения, като лицево разпознаване, извличане на черти на лицето, откриване на изражението на лицето. Направен е преглед на различните начини и приложения, използвани в процеса на откриване на лице.
Източници
[1] Yang, Kriegman, Ahuja, "Detecting face in images: a survey,", 2002.
[2] Hjelmas, Low, "Face detection: A survey," Computer Vision and Image Understanding, 2001.
[3] Sasaki, Akamatsu, Suenaga. Face image normalization based on color information.
1991.
[4] Lowe, "Distinctive image features from scaleinvariant keypoints," 2004.
[5] Yongsheng, Leung, "Face recognition using line edge map", 2002.
[6] Turk, Pentland. "Eigenfaces for recognition", 1991.
[7] H.A. Rowley, " Neural Network-Based Face Detection", 1999.
[8] Liao, Face detection by outline, color, and facial features, 2010.
