Yüz tanıma, insanların günlük yaşamlarımızda rutin ve zahmetsizce gerçekleştirdiği bir görevdir. Güç ve düşük maliyetli masa üstü ve gömülü bilgi işlem sistemlerinin yaygınlık, dijital görüntülerin biyometrik kimlik doğrulama, gözetleme, insan-bilgisayar etkileşimi ve multimedya yönetimi dahil olmak üzere çeşitli uygulamalar yapılsın otomatik olarak işlenmesine büyük ilgi uyandırdı. Otomatik yüz tanımada araştırma ve geliştirme.
Yüz tanıma , parmak izi ve iris gibi diğer biyometrik yöntemlerle kıyasla pek çok avantaja sahip bir ülke: doğal ve sızdırmaz olmamanın yanı sıra, yüzün en önemli avantajı, uzaktan ve gizli bir şekilde yakalanabilmesidir. Hietmeyer tarafından düşünülen altı biyometrik özellik arasında, yüz özellikleri, kayıt, yenileme, makine gereksinimleri ve halk gibi bir sistem. Algılama, Şek. 1.1. Büyük biyometrik teknolojilerden biri olan yüzeye bakmak, hızlı ilerlemeler, Web’de büyük miktarlarda yüz görüntüleri bulmak ve yüksek güvenlik taleplerinin artması nedeniyle giderek kazanılmıştır.
İlk otomatik yüz tanıma sistemi, Takeo Kanade Ph.D. Karhunen-Loeve dönüşümü veya Ana Bileşen Analizi (PCA) bittiğinde bir yüz sunumu üzerine Sirovich ve Kirby tarafından yapılan işlem tamamlandı, otomatik yüz tanımada uyku süresi vardı.
1.1 Pasaport kontrolü için biyometrik MRTD sistemlerini kullanma (solda) ve MRTD uyumluluğuna dayalı çeşitli biyometrik özelliklerin karşılaştırılması senaryosu.
Türk ve Pentland’in yüz tanıma araştırmalarını canlandıran Eigenface’de öncü çalışmasıdır . Yüzölçümü diğer önemli kilometre taşları arasında bulunanlar: Balıkçılık yöntemi, daha doğruluğu elde etmek için bir PCA adım adım sonra Lineer Discriminant Analysis’i (LDA) uygular; Daha efektif yüz özellikleri sağlamak için Gaborjets gibi yerel filtrelerin özellikleri; AdaBoost öğrenme temel katlı sınıflandırıcı mimarinin tasarımı.
Yüz tanıma teknolojisi , Özgeçmiş metodu önerildiğinden beri derecede ilerlemiştir. Kısıtlı durumda, yüz aydınlatma, yüz verme ve yüz ifadesi kontrol edilebilirken, otomatik yüz tanıma, özel veritabanı (galeri) çok boyut yüz içerdikleri insan tanıma performansını aşabilir1. Bununla birlikte, otomatik yüz tanıma, sınırsız ortamlarda yüz görüntüleri elde halde birçok zorluklarla karşı karşıyadır. Takip eden bölümlerde, yüz tanıma sürecine kısa bir bakış sunuyor, teknik zorlukları araştırıyor, olası çözümleri önermekte ve en gelişmiş performansı tanımlıyoruz.
Bu başlık yüz tanıma araştırmaya giriş. Yüz tanıma işleminin ana adımları anlatılmaktadır. Yüz algılama ve tanıma sorunları yüz altuzay bakış açı açıklanmaktadır. Teknolojik çözümler belirlenmekte ve bazı problemlerin çözümünde kullanılabilir.
Sınıflandırma
Biyometrik Bir sistem Olarak , bir yüz tanıma sistemi on iki moddan biri Veya onun ikisinde Çalışır: (1) yüz Doğrulama (Veya kimlik Doğrulama) ettik (2) yüz tanımlama (Veya tanıma).
Yüzde doğrulama, yüzük görüntüsünü, kimliği iddia edilen kayıt yüz görüntüsüyle karşılaştıran bire bir eşleşmeyi içerir. E-pasaport yerine kendi kendine hizmet göçmenlik izni için kişi doğrulaması tipik bir applyadır.
Yüz tanımlama , sorgu yüzünü kimliğini kullanarak bir sözcük ilişkisi kurmak, sorgu yüzünü kayıt veritabanında birden fazla yüzleştirmek karşılaştıran bir çok eşleştirmeyi içerir. Bazı kimlik doğrulama uygulamaları, en benzer yüzüleme. Sürveyans listesinde, gözetim videoları yüz tanıma ya da yüz tanıma, koşul en çok benzer yüzesindentan daha iyidir; Bir güven seviyesi eşiği belirtilir ve benzerlik skoru eşiğin üzerinde olan tüm yüzler.
Yüz tanıma sisteminin performansı , aydınlatma, yüz pozu, ifade, yaş aralığı, saç, yüz giyim ve hareket gibi çeşitli faktörlere bağlıdır. (1) kooperatif kullanıcı senaryoları ve (2) sıra dışı kullanıcı senaryoları.
Kullanıcı oturumu açma, bilgisayar oturum açma, e-pasaport gibi kullanıcıların yüzünü kullanma ve ayrıcalık tanınması için.
İnsanlar güvenlik gibi uygulamalarda büyük ölçüde büyük ölçüde çoğaltın edildiğinde farkında olmuyor. Kamera ile yüz arasında mesafe 1 metreden azalıyorum en iyi doğruluk payı alınırken, güvenlik uygulamalarında kötü açılar ve mesafeden uygulamalar zorlanıyor.
Yukarıdaki iki kategori uygulamaları arasında da öngörülebilir. Örneğin, uzaktan yüz tabanlı erişim kontrolünde, kullanıcı kooperatifi olmak istemektedir ancak yüzü fotoğraf makinesine göre uygun bir biçimde sunamamaktadır. Bu durum, kooperatifçi olmayan bir kişinin kimliğini tanımlamaktan daha kolaydır, ancak durum sisteme zorluklar getirebilir. Bununla birlikte, neredeyse tüm olan, çevre aydınlatması için yüz tanıma uygulaması için başta gelen zorluktur.
İş Akışı İşleme
Yüz tanıma, değişen aydınlatma , değişme ve aydınlatma, üç boyutlu bir yüz tanıma yüz tanıma gerekli görsel desen tanıma problemidir. Iki boyutlu yüz görüntüleri, yüksek güvenlik seviyeleri gerektiren bazı uygulamalar, görsel spektrumun ötesinde üç boyutlu (derinlik veya aralık) görüntülerin veya optik görüntülerin kullanılamaz ister. Bir yüz tanıma sistemi bütünüyle Şek. 1’de gösterildiği gibi dört modülden oluşur. 1.2: yüz lokalizasyonu, normalleştirme, özellik çıkarımı ve eşleme. Bu modüller açıklanır.
Yüz tanıma işlemstreamının tasviri
Yüz algılama, yüz yerleşini arka plandan keser . Video durumunda, tespit edilen yüzlerin bir yüzünde izleme bileşeni birden çok karenin üzerinden izlenmesi. Yüz algılama, yüzün yerini ve ölçeğini kaba bir yere tahmin etmeyi, yüz simgesini, yüz işaretlerini (ör. Gözler, burun, ağız ve yüz hatları) lokalize eder. Bu, bir yer işaretleme modülü veya yüz hizalama modülü ile gerçekleştirilebilir.
Yüz normalleştirme, yüzün geometrik ve fotometrik olarak normalleştirilmesi için yapılır. Bu, en son teknolojiyi tanıma yöntemlerinin, değişen poz ve aydınlatmalı yüz imgelerini tanımada beklendiğinden, gereklidir. Geometrik normalleştirme işlemi, yüz yüze kırparak yüzü standart bir kareye dönüştürür. Geometrik normalleştirme için eğri veya morphing. Fotometrik normalleştirme işlemi, yüzeyi aydınlatma ve gri ölçek.
Yüz tanıma, farklı kişilerinize yüzlerini ayırt etmek için kullanışlı olan ve geometrik ve fotometrik farklılaştırma görevi görme, belirleme, bilgi çıkarmak için normalleştirilmiş yüz üzerinde gerçekleştirilir. Ayıclanan yüz özellikleri, yüz eşleştirmesinde kullanılır.
Yüz eşleştirmesinde, girilen yüzdeki çıkarılan özellikler, veritabanındaki kayıtlı yüzlerin birine veya birçoğuyla eşleştirilir. Eşleştirici, 1: 1 doğrulama için ‘evet’ veya ‘hayır’ çıktı; 1: N tanımlama için, çıktı, üst eşleşme yeterli güvenle bulunursa veya uç eşleşme skoru bir eşiğin altındaysa bilinmeyen çıktı yüzdesidir. Bu yüz tanıma aşamasındaki başlıca zorluk, yüz özelliklerini karşılaştırmak için uygun bir benzerlik metriği bulmak.
Yüz tanıma sistemlerinin doğruluğu, doğru yüz lokalizasyonu ve normalleşmesi için yüzü temsil etmek için çıkarılan özelliklere bağlıdır. Yüz tanıma hala zorlu bir kalıp tanıma problemi olmayı sürdürse de, yüz altuzayları veya manifoldlar açısından aşağıdaki gibi analiz edilebilir.
Yüz Altuzay
Yüz tanıma teknolojisi önemli ölçüde geliştirilmiş olsa da ve olumlu (kısıtlı) durdurmak yakalanan görüntüleyici ve videolar için “gerçek zamanlı” olarak başarılı bir şekilde gerçekleştirilebilmesine rağmen, yüz tanıma, özellikle bakış açısı, aydınlatma, ifade etme, Oklüzyon ve yüz aksesuarları önemli özelliklerini değişebilir. Bu, yüz altuzayından veya çok yönlü perspektiften tasvir edilebilir.
1.3 Yüz altuzay veya manifoldlar. Yüz Yüzeysiz Manifoldlara karşı. B farklı kişilerin yüz manifolları
Yüz tanıma için altuzay analizi teknikleri, yüz gibi bir sınıf desen sınıfının girdi görüntüsü alanının bir altuzayında bulunduğu gerçeğine dayanır. Örneğin, 4096 pikselden edilmiş 64 x 64 8 bitlik bir resim ağaçlar, evler ve yüzler gibi çok sayı desen sınıfını ifade edebilir. Bununla birlikte, 2564096> io9864 olası “yapılandırmalar” arasında yüzlerdeki küçük bir kesir karşılık gelir. Bu nedenle, piksel temel görüntü sunumu oldukça gereksizdir ve yalnızca yüz desenleri ilgilendiğinde bu gösterimin boyut dereceleri büyük ölçüde azaltılabilir.
Özyüzey veya PCA yöntemi , bir dizi eğitim yüzü görüntüsünde küçük bir sayı (tipik olarak 40 veya daha düşük) ana bileşenler veya öz-yüzleri türetir. Özyüzleri bir yüz altuzayının temeli olarak verildiğinde, bir yüz görüntüsü düşük boyutlu bir özellik vektörlü kompakt olarak sunum ve bir yüz, özyönlerin doğrusal bir birleşmesi olarak yeniden oluşturulabilir. Altuzay modelleme tekniklerinin en iyi şekilde geliştirildi.
Tüm yüzlerin dağılımı , yüz görünüşündeki değişikliklerden ibaretken, yüzetsel olmayan manifoldu yüzler dışındaki tüm nesneler hesaplar. Görüntü alanının bu manifoldları incelersek, onu son derece doğrusal olmayan ve konveks olmayan buluruz. Şekil 1.3 (a) yüze karşı yüzeysiz manifoltları ve Şek. Şekil 1.3 (b), yüz manifoldunun tamamında bulun iki kişinin manifoldlarını gösterir. Yüz algılama, görüntüleme (alt pencere) alanındaki yüz ve yüzey olmayan manifoltları kabul etmek ve yüz tanıma, yüz manifoldundaki farklı bireylerin yüzlerini arasında ayırt ederek görevi düşütlebilir.
Şekil 1.4, ayrıca, PCA altuzayındaki yüz manifoldlarının doğrusal olmayan ve konveksiyetsizliğini, grafiklerin gerçek yüz görüntüsü verisinden çizildiği ilk üç ana bileşen’e kapsandığını görüntülen. Onu arsa, üç kişinin manifoldlarını tasvir eder (üç renkte). 64 tane ön yüz imajından oluşmaktadır.
1.4 Üst alta doğru, çevirme, döndürme, ölçekleme ve gama biçimleri altındaki yüz manifoldlarının doğrusal olmayanlığı ve konveksiyetsizliği
Ona bir yüz resimsünde 11 kademeli olarak değişen parametrelerle bir dönüşüm (yatay dönüşüm, düzlem içi döndürme, boyut çizelgeleme ve gama dönüşümü) gerçekleştirilir ve … 11 dönüşümlü yüz görüntüsü elde edilir; Dönüşümü, onu, görüntüsünü, yüz, yerini, içerecek şekilde kırpılır; Kırpılmış 11 yüz imgesi bir dizi oluşturur. Bu şekilde bir eğri, PCA alanındaki böyle bir hediye ve onun için birey için 64 eğri bulunur. Üç boyutlu (3D) PCA alanı, üç farklı 2D boşlukta (düzlem) yansıtılır. Yörüngelerin doğrusal olmamasını gözlemleyebiliriz.
Takip gözlemler Şek. 1.4. İlk olarak, bu örnek PCA uzayında gösterilmekle birlikte, orijinal görüntü uzayında daha karmaşık (doğrusal olmayan ve olmayan karmaşık olmayan) yörüngeler beklenmektedir. İnecisi, bu yüzü görüntüleri 2D düzleminde geometrik dönüşümlere ve noktasal aydınlatma (gama) değişikliklerine maruz kalmasına rağmen, 3D uzayda geometrik dönüşümler için daha belirgin karmaşıklığı bekliyor ve Ortam ışıkları.
Teknoloji Zorlukları
Sek. 1.3, yüz tanıma problemi çok doğrusal olmayan ve dışbükey değil, yüz eşleştirmede daha da fazla. Yüz Tanıma Teknolojisi (FERET) [34], Yüz Tanıma Satıcı Testi (FRVT) [31] ve diğer bağımsız çalışmalar gibi yüz tanıma raporları, birçok gelişmiş teknoloji yüz tanıma yönteminin performansının kötüleştiğini gösterir Aydınlatma, poz ve diğer faktörler arasında [8, 43 , 50]. Otomatik olarak yüz tanımada temel özellik.
Yüz Görünümünde Büyük Değişkenlik Şekil ve yansıma, bir yüzün öz nitelikleri, yüzünü poz (veya eş değer olarak kamera görünümü), aydınlatma, Ve yüz ifadesi. Şekil 1.5, bu faktörlerin yol açtığı büyük bir inç varyasyon örneği. Yaşlanma ve özel olarak devlete göre düzenlenmiş fotoğraflı kimlik belgelerinin tekrar kopyalanmasını gerektiren uygulamalarda, konu içi değişikasyonlarda artışa neden olan önemli bir faktördür. Bunlara ek olarak, diyafram, pozlama süresi, lens sapmaları ve sensör spektral yanıtı gibi çeşitli görüntüleme parametreleri aynı zamanda konu içi farklılıklar da arttırır. Yüz esaslı kişinin tanımlanması, muhtemel ufak tefeklikler arası değişiklerle daha da karmaşıktır (Şekil 1.6). Tüm aydınlatma ve görüntüleme yönü almak aynı yüzün görüntüleri arasındaki kontrat, yüz kimliğinde değişiklik için hemen hemen her zaman görüntü varyasyonundan daha büyüktür. ” Bu değişkenlik, yüz imgesinden yüz kimliği hakkında öz bilgi çıkarmayı zorlaştırıyor.
Karmaşık Line Olmayan Manifoldlar Yukarıda belirtildiği gibi, herhangi bir yüzdendir.
1.5 Poz, aydınlatma, ifade, oklüzyon, renk ve parlaklık içerikler arasında farklılıklar.
1.6 İkizler ile baba ve oğlu arasındaki frontal yüzlerin benzerliği .
Yüksek Boyutlu ve Küçük Örnek Örnek 2’de gösterilen genelleme kabiliyetidir. 1,7 (b). Şekil, 10.304 boyutlu bir özellik alanındaki 112 x 92 boyutlu kanonik bir yüz imajını tasvir yapıldı. Manifoldu öğrenmek için mevcut olan kişi başına örnek resmi, görüntü alanının boyutundan çok daha küçük; Az sayıdaki örnek üzerinde eğitim görmüş bir sistem, yüzün görülmeyen örnekleri için genelleme yapamayabilir.
1.7 Konusundaki meydan okumalar konunun üzerinde yüz tanıma. Öklid mesafe bireyler arasında ayırt edemez. Öklid, mesafe, kişi içi bir mesafeden daha küçük olabilir. B Öğrenilen manifoldu veya sınıflandırıcı, aynı yüzünü görmeyen görüntüleri karakterize edemez (yani genelleştiremez)