Диссертация (1172947), страница 5
Текст из файла (страница 5)
Но очевидно, что камера в этом случаепредставляетсобойвычислительноеустройство,нетолькоснимающееинформацию и передающее на сервер, но и обрабатывающее видеопоток до егофактической передачи. Клиентское программное обеспечение (ПО) в этом случаевыполняется на камере.23Этап 2 очевидно должен выполняться на сервере. Здесь ПО на сервереосуществляет выбор из всего массива детектированных лиц только техизображений, которые удовлетворяют заданным критериям качества. Критериикачества отбора задаются системе при настройке. Обычно это следующиепоказатели: ракурс лица (поворот относительно положения «фас» или «профиль»,которые есть в БД), размер лица в пикселях (обычно расстояние между зрачками),процент частичного закрытия лица.
Но могут задаваться и другие показателикачества отбора.камеракамеракамеракамераИнтерфейс оператора(АРМ оператора)Модуль (блок)ЯдродетектированияидентификацииСерверИнтерфейс настроекраспознавания(АРМ администратора)Интерфейс ввода данных(АРМ управления)данными)Рисунок 1.4 Архитектура системы «Каскад-поток»На этапе 3 строится математический шаблон лица (биометрический шаблон).Под ним понимается некоторый набор признаков согласно заложенной в системуматематической модели.
В зависимости от применяемой системы в нѐмиспользуются разные признаки (текстурные свойства лица или егогеометрические особенности). Ниже будет приведены некоторые из применяемых24методов для анализа их эффективности в решении поставленных в исследованиизадач.Этап 4 системы распознавания необходим для произведения сравненияпостроенного по считанному из видеопотока лицу биометрического шаблона смассивом тех шаблонов, которые есть в БД сервера. Этот процесс не может, впринципе, из-за своих требований к вычислительным ресурсам быть реализованна клиенте.
Поэтому видимо построение ПО клиента и процесс передачи данныхсерверу в процессе работы ИАС необходимо внимательно проработать, для тогочтобы избежать еѐ перегрузки в процессе эксплуатации.Пятый этап в работе такой системы связан непосредственно с человеком.Как и в случае с FaceIt, упомянутым выше и описанным в [78], данный этапсопряжѐн с визуальной оценкой оператором результата работы системы. И здесьможно говорить о том, что без человеческого вмешательства данная система неработает.Ну и наконец, рассмотрим структуру подсистемы распознавания лиц в ИАСна примере автоматизированной информационно-поисковой системы «Каскадпоток», позволяющей выполнять идентификацию личности по изображению лица,полученного из видеопотока, и поиск человека по БД [49].Архитектура системы представлена на рисунке 1.4. Система «Каскад-Поток»построена на полностью распределенной сетевой архитектуре, включающейсервер распознавания, блок видеообработки и автоматизированные рабочие места(АРМ)операторов.Всоставкомпонентовсистемывходятследующиесоставляющие: модуль детектирования лиц, ядро идентификации, серверраспознавания, АРМ пользователей.Модуль детектирования лиц обеспечивает автоматическое обнаружениеизображений лиц в видеопотоке от источника видеосигнала.
Ядро идентификацииобеспечиваетсравнениеизображенийлиц,полученныхврезультатедетектирования и размещенных в БД. В результате работы ЯИ формируетсярекомендательный список, на основе которого система принимает решение о25личности человека на анализируемом изображении. АРМ системы «Каскадпоток» обеспечивают доступ к функциям системы по мониторингу событий,настройке параметров системы и вводу информации в БД.Как видно из приводимого близко к тексту [49] описания архитектурыданной системы, в нѐм не указано при помощи каких биометрическиххарактеристик и с помощью каких алгоритмов «Каскад-поток» осуществляетдетектирование.
Можно сделать предположение только о том, что в клиенте(модуле детектирования лиц) выполняется преобразование биометрическиххарактеристик лица к виду, удобному для работы ядра идентификации.Если вернуться к началу описания и вспомнить о физиологическихособенностях человека, которые может фиксировать камера (геометрия головы илица, температурный портрет кожи тела и лица, модель радужной оболочки глаза,форма уха), то можно сделать такой вывод.
Большинство используемых в этомнаправлении в настоящее время систем, упоминаемых в технической литературе,для идентификации одновременно использует для своей работы только шестуючасть возможных биологических идентификаторов человека. О применении вкомплексных ИАС поиска ПОЛ с помощью анализа поведения, распознаванияэмоций, температурный портрет кожи тела и лица пока речь не ведѐтся. Системы,в которых возможно использование данных признаков, работают отдельно отсистем распознавания лиц, а поиск по БД документов возможен только при вводевручную соответствующего запроса оператором.Таким образом, применяемые в ИАС подсистемы технического иликомпьютерного зрения обладают рядом сходных функций, которые можно,обобщив, объединить в единый алгоритм их работы.
Однако, в большинствеслучаев результатом их работы становится только подготовка данных дляпринятия решения оператором. Кроме того, они не рассчитаны на работу сбольшим количеством заданий на распознавание, не обеспечивают распознаваниепо поведению и не автоматизируют работу остальных подсистем ИАС. Вчастности в системе «Каскад-поток» данные о лицах вводятся не в процессе26обучения системы, а вручную со специального АРМ. Взаимодействие с другимипоисковыми системами, содержащими важные с точки зрения поиска ПОЛрассмотренные системы также не осуществляют.Детали работы таких систем определяются вычислительными алгоритмами.Качество данных алгоритмов непрерывно улучшается.
Но практика ихиспользования показывает, что есть ряд особенностей их работы, которые пока непозволяют добиваться снижения показателя ошибок первого и второго рода.Поэтому для обеспечения требований реальной жизни в ходе обеспечениямассовых мероприятий нужны такие ИАС, которые будут лишены указанныхнедостатков.1.3.1 Алгоритмы распознавания лицВ современном мире, благодаря широкому спектру возможных применений,появился большой интерес к технологиям идентификации человека по лицу. Онииспользуются как в системах обеспечения общественной безопасности: вохранных, контрольно-пропускных системах и системах наблюдения, так и вперсональныхустройствах–цифровыхкамерах,роботах-помощниках,смартфонах и ноутбуках. Известно о большом количестве исследований в областиидентификации человека по лицу, но на практике, можно сказать, что успешностьраспознавания зависит от множества факторов: от условий освещенности объекта,угла обзора, возраста человека и маскировочных элементов на нем [137,115].
Всеэто делает проблему точного распознавания лиц сложной задачей, требующейтщательного изучения.Как правило, в зависимости от используемых признаков, существующиеалгоритмы распознавания лиц подразделяются на три категории:1. холистические (глобальные) методы – область изображения с лицомпредставляется вектором высокой размерности, который подается на входклассификатору;272.
локальные методы – для классификации лица выделяются отдельные егогеометрические признаки, такие как расположение глаз, носа, рта, щек и т.д.;3. гибридные методы – совокупность вышеперечисленных методов. Помнению Чжао и др [137], именно объединение локальных и холистическихметодов может дать наилучший результат в распознавании лиц.1.3.1.1 Холистические методыМетодраспознаваниялиц,основанныйнаалгоритмевычислениясобственных значений – один из холистических методов – впервые появился в1991 году и впоследствии заслужил всеобщее признание как наиболееэффективный ([129], [112], [119], [106]). В результате этого холистические методыв науке обрели популярность и активно изучаются и поныне. Прежде всего,характерной особенностью холистического подхода к распознаванию лицаявляется то, что она содержит общую информацию о лице человека, а вся областьлица представляется вектором с высокой размерностью.
Благодаря этому, такоепредставление отображает общие свойства лиц людей, такие как форма лица ирасположение отдельных его элементов относительно друг друга. Известными иэффективными методами холистического анализа, заслужившими популярность,являются метод главных компонент (МГК), линейный дискриминантный анализФишера (ЛДА) и анализ независимых компонент (АНК). При использовании АНКпроисходит поиск статистически независимых базисных векторов и минимизациявторого и более высокого порядка зависимостей входных изображений [100].Рассмотрим более подробно МГК и ЛДА.1. Метод главных компонент.МГК является одним из традиционных методов получения ключевыххарактеристик при распознавании лиц [112]. МГК использует репрезентативнуювыборку векторов, которая максимизирует дисперсию между характеристикамиизображения лица.Пусть X = {X1, X2, … , XM} – набор изображений лиц, где = (1,2,…,)Т.Алгоритм МГК заключается в следующем [87]:28a) вычислить центрированную матрицу признаков:̅,(1.1)где(1.2)∑ .̅b) далее необходимо найти M ортонормированных собственных векторовuk, которые наилучшим образом описывают распределение данных вматрице ̅.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
