Capitol 2. Recunoastere faciala

2.1. Generalitati

Sisteme robuste de recunoaştere a feţei sau devenit din ce in ce mai utile in ultima perioada pentru a ajuta la combaterea criminalităţi, lupta impotriva terorismului, autentificare pentru accesul utilizatorului în spaţiile fizice şi virtuale pentru a asigura o mai mare securitate a acestora. Cu toate inovatiile facute in ultimul timp, problema identificarii unei persoane(de a lua imaginea faţei ca intrare şi de a o potrivi cu imagini de feţei stocate într-o bază de date) este încă o problemă foarte dificilă.Acest lucru se datorează variabilităţii chipurilor umane în condiţii diferite cum sunt cele de iluminare, rotire, expresii faciale, performanta a camerei de luat vederi, îmbătrânirea, machiajul, utilizarea ochelarilor.

Adesea, aceste condiţii în mare măsură diferite afectează performanţa sistemelor de recunoaştere a feţei în special atunci când sistemele de recunoastere trebuie să potrivească imagini din baze de date de scară mare. Această performanţă scăzută a sistemelor de recunoaştere a feţei împiedică utilizarea în aplicaţii reale la scară largă(deşi multe sisteme au fost implementate, utilizarea şi acurateţea lor se limitează la anumite scenarii operaţionale), unde erorile ca Rata de Falsa Acceptare (FAR) şi Rata de Falsă Respingere (FRR), sunt luate în considerare în faza de proiectare a sistemului. FAR este probabilitatea ca sistemele să accepte în mod incorect o persoană neautorizat, în timp ce FRR este probabilitatea ca sistemele sa respinga în mod eronat o persoană autorizată.

În scopul de a consolida global algoritmul de recunoaştere faciala performanta, numeroase noi abordări algoritmice au aparut cu avantajul de a prezenta mari îmbunătăţiri faţă de tehnicile convenţionale, cum sunt Analiza dependenta de Clasa a trasaturilor Kernel (KCFA), Tensorfaces(), Metode Kernel şi Analiza Discriminatorie liniara (LDA). Dintre acestea, unele din noileabordări, cum ar fi KCFA, pun accent pe generalizarea persoane nevăzute şi Tensorfaces poate analiza multiple schimbari de conditii (pozitie diferita, iluminare variabila). Tradiţionala metoda LDA încerca să găsească cei mai buni vectori de separare a proiecţiilor prin maximizarea criteriilor Fisher.

2.2 Tehnici de recunoastere faciala

Algoritmii de recunoaştere a feţei pot fi clasificate în două mari categorii în funcţiede schemele de extragere a trasaturilor pentru reprezentarea faciala: metode bazate pe extragerea de trasaturi si metode bazate pe extragerea aspect general?. Proprietăţile şi relaţiile geometrice cum ar fi zonele, distanţele şi unghiurile dintre puncte de pe fata sunt folosite ca descriptori de recunoaştere a feţei. Pe de altă parte, metodele bazate pe aspectul ia în considerare proprietăţile globale ale modelului de intensitate a imaginii fetei.

Algoritmii de recunoaştere a feţei bazati pe aspectul general procedează la calculvectorilor de bază, pentru a reprezenta datele fatei cat mai eficient. În etapa următoare,chipurile sunt proiectate pe aceşti vectori şi coeficienţi lor de proiecţie pot fiutilizati pentru a reprezentarea imaginile faciale. Algoritmi populari, cum ar fi PCA, LDA,ICA, LFA, Filtre de corelatie, Manifolds şi Tensorfaces se bazează pe aspectul feţei. Abordări holistice ale recunoaşterii feţei au probleme la prezenta variaţiilor de pozitie. Construirea de „mozaicuri ale imaginilor faciale”, cum ar fi cele din .....a fost a avut ca scop rezolvarea probleei variaţiei pozitiei

2.2.1 Eigenfaces(PCA)

Eigenfaces, de asemenea, cunoscut sub numele de Analiza Componentelor Principale (PCA) este, poate, cea mai veche şi mai bine cunoscută dintre tehnicile de analiză multivariată. Ea este semnalată în diverse lucrări sub numele de “analize Karhunen-Loeve”, în oceanografie ca „analize EOF” (Empirical Orthogonal Function) iar în matematică sub denumirea de „analize SVD” (Singular Value Decomposition). Obiectul principal al metodei este studiul valorilor varianţei şi a corelaţiei fără a construi noi variabile. Are scopul de a găsi eroarea minima pentru maparea unui spatiu N-dimensional intr-unul M-dimesional(M<<N).

2.2.2 Analiza Discriminatorie liniara (LDA)

Analiza Discriminatorie liniara (LDA) este mai potrivita pentru gasirea de proiectii care discrimineaza mai bine diferite clase. Face asta prin cautarea vectorilor de proiecti optimi care sa maximizeze raportul de distributie intre clase si in clase.

De obicei atunci când se lucrează cu imagini faciale numărul de imagini de invatare este mai mic decât numărul de pixeli ai unei imagini, astfelîn clasa împrăştia matrice SW este singular cauzează probleme pentru LDA [23]. laabordeze această problemă [10] realizează pentru prima dată APC pentru a reduce dimensionalitateadate, în scopul de a depăşi această problemă, singular-matrice şi apoi se aplică LDAîn acest mic-dimensional APC subspaţiu. Îmbunătăţirea rezultatelor de recunoaşterea fost demonstrat prin această abordare tradiţională de peste APC---------

ConcluziiSisteme robuste de recunoaştere a feţei trebuie să fie capabil să se

ocupe de variaţii careapară în scenarii practice de funcţionare. Aceasta înseamnă a avea capacitatea de ase ocupe de orice şi de toate variantele se confruntă cu condiţii de iluminare diferite, prezintă, expresii,şi de alţi factori, cum ar fi achiziţionarea de variaţie mică faţă de rezoluţie

o distanţă. Pentru a îmbunătăţi performanţa şi pentru a aborda fiecare variaţie, numeroasealgoritmi noi au fost propuse vizează generalizarea la persoane nevăzute,analizei factoriale multiple şi structurile ascunse de fete. În caz de rezoluţie micăfete, de pre-procesare metode care pot îmbunătăţi rezoluţia de fataImaginile au fost detaliate. Mici prezintă variaţii pot fi manipulate şi instruiţide către clasificatori diferite, însă prezintă mari variaţii pot fi modelateprin metode, cum ar fi Tensorfaces şi extensiile noastre propuse.