Содержание
Как работает распознавание лиц? Разбор / Хабр
Среднестатистический человек может идентифицировать знакомое лицо в толпе с точностью 97,53%. Вы скажете, это немало и будете правы. Но это ничто по сравнению с современными алгоритмами, которые добились точности 99,8% еще в 2014 году. А в последние несколько лет они достигли практически совершенства! Современный алгоритм, использующийся в камерах видеонаблюдения в Москве способен обрабатывать 1 миллиард изображений менее чем за полсекунды с точностью близкой к 100%.
Этот алгоритм насколько крут, что уже в этом году в Московском Метро планируют ввести систему прохода по лицу — FacePay. При этом нам обещают, что система будет работать даже если человек в медицинской маске.
Как вы понимаете, жизнь уже не будет прежней. Поэтому давайте разберемся:
- Как работают алгоритмы распознавания лиц?
- Страшны ли эти алгоритмы на самом деле и где их применяют во благо?
- А также поговорим какого будущего нам ждать.
Причины
Технологии машинного зрения и распознавания лиц развивались очень активно с середины прошлого века. Но только сейчас стали по-настоящему хорошо работать. Причин тому три штуки:
- Появились действительно мощные компьютеры, способные справиться с задачей. За это спасибо закону Мура.
- Появились базы данных с нашими с вами фотографиями. За что спасибо социальным сетям.
- Ну и конечно, произошел прорыв в области нейросетей.
Все эти события позволили создать практически идеальные алгоритмы распознавания лиц. Так давайте же разберемся, как они работают.
Этап 1. Обнаружение
В первую очередь, для того, чтобы лицо распознать, надо его сначала обнаружить. Задача на самом деле не тривиальная. Для этого мы бы могли использовать натренированные нейросети, но это слишком долго, дорого и ресурсоемко. Поэтому для обнаружения лица используется очень простой метод Виолы — Джонса, разработанный еще в 2001 году.
Как эта штука работает?
Этот алгоритм просто сканирует изображение при помощи вот таких прямоугольников, они называются примитивами Хаара:
И еще вот таких прямоугольников:
Задача этих объектов — находить более светлые и темные области на изображении, характерных конкретно для человеческих лиц.
Например, если усреднить значения яркости область глаз будет темнее щек или лба, а переносица будет светлее бровей.
В общем таких характерных признаков много и естественно не только у человеческих лиц могут быть подобные паттерны. Поэтому алгоритм работает в несколько этапов:
Сначала находится первый признак, система понимает: «В этой области может быть лицо». Тогда она начинает там же искать второй признак, а потом третий. И если в одной области найдено 3 признака, уже можно уверенно сказать — да, это лицо! После чего система получает область изображения, в котором есть только лицо.
Этап 2. Антропометрические точки
Получив область для анализа, дальше в дело вступает главный секрет каждой системы распознавания — биометрический алгоритм.
Он расставляет на лице антропометрические точки, по которым впоследствии и будут вычисляться индивидуальные характеристики человека: разрез глаз, форма носа, подбородка, расстояние между ними и прочее. Таких признаков может быть много, вплоть до нескольких тысяч. Но в целом, таких точек должно быть как минимум 68.
Этап 3. Исправление искажений
А дальше начинается настоящая магия. В идеале нам нужно лицо, которое смотрит анфас, то есть прямо в камеру. Но такая удача бывает редко, особенно если речь идет о распознавании человека в толпе.
Поэтому система производит дополнительное преобразование изображения: устранятся поворот и наклон головы. А также проводится 3D-реконструкция лица из 2D-изображения. Таким образом, даже если человек на изображении смотрел вбок, мы всё равно можем получить четкий фронтальный снимок, что существенно повышает качество распознавания.
Этап 4. Вектор лица
Ну а дальше происходит самое главное. В бой вступает нейросеть, которая присваивает каждому лицу вектор признаков. Что это такое?
По сути, это просто какое-то число, которое складывается из суммы характеристик лица: расстояний между опорными точками, текстуры определенных областей на лице и прочее. Таких характеристик может быть множество. Основное правило: они должны описывать лицо независимо от посторонних факторов: макияжа, прически, возрастных изменений.
Этап 5. Идентификация
Ну а дальше остаётся сравнить полученный вектор с базой других векторов. И готово. Система вас идентифицировала.
Где и как используется?
Помимо очевидных кейсов применения, помимо обнаружения правонарушителей в общественных пространствах и оплаты билетов в метро. Где и как могут применяться эти технологии?
Во-первых, системы могут быть настроены не на идентификацию а на анализ поведения или настроения. В такси можно можно быстро вычислять неадекватных водителей или пассажиров. В магазинах, можно находить грустных покупателей и повышать уровень сервиса. Ритейлеры одежды или продуктовые магазины используют камеры для анализа поведения покупателя, чтобы проанализировать настроение покупателя на кассе. Или например в школах, можно искать скучающих детей и корректировать программу обучения. Так, кстати уже делают в Китае. Вот такой мир будущего, и мы уже в нём живём не зная этого.
Что будет в будущем?
Чего же нам ждать в будущем? Распознавание лиц для разблокировки iPhone, входа в Windows или во время конференций — это прекрасная, удобная технология, упрощающая жизнь и мы уже ей пользуемся. Но вот повсеместные камеры наблюдения в городах рисуют в воображении самые мрачные картины в духе Джорджа Оруэлла.
Отсюда возникает вопрос — можно ли защитить себя от систем видеонаблюдения? Конечно, с развитием технологий развиваются и средства обхода этих технологий.
Люди придумывают макияж и украшения, которые сбивают с толку алгоритм обнаружения лиц, тот самый из 2001 года, создают инфракрасные очки, засвечивающие сенсоры камер, а также делают всякую криповую одежду и маски.
Но по большому счету такой лук скорее больше привлечет внимания, а алгоритмы подстроятся под обманки. Поэтому единственный способ защиты — это закон. Бизнес активно не внедряет системы распознавания лиц только потому, что это несет большие юридические издержки. В ЕС активно разрабатывается новый закон, который уже прозвали GDPR 2: он будет строго регулировать системы распознавания лиц и прочие системы искусственного интеллекта, вызывающие законные опасения.
В России с этим пока что не так хорошо. Тем не менее отечественные компании, которые присутствуют на международном рынке также будут вынуждены соблюдать новые правила игры, как произошло с первым GDPR.
То есть, как вы поняли, есть светлая сторона технологии, которая упрощает нам жизнь и темная, что приближает нас к миру большого брата.
Как это работает. Алгоритм распознавания лиц
Алгоритм распознавания лиц компании NtechLab, технологического партнера Госкорпорации Ростех, признан лучшим в мире. Технология стала победителем конкурса Face Recognition Vendor Test Национального института стандартов и технологий Министерства торговли США. Это не первая победа NtechLab на международных конкурсах, а разработки компании уже успешно используются для повышения комфорта и безопасности жителей «умных городов» по всему миру. Что такое распознавание лиц, как работают алгоритмы и какое будущее у этой технологии – в нашем материале.
Физиогномика по-научному
Цифровое распознавание лиц – идентификация или подтверждение личности по лицу с помощью нейронных сетей − становится новой реальностью, которая все прочнее входит в нашу жизнь. Смартфоны давно научились находить лица на фотографиях, соцсети предлагают отметить друзей на снимках, а камеры на улицах и в транспорте «выхватывают» преступников из толпы.
Известно, что новорожденные дети практически с момента своего появления на свет отличают человеческое лицо от других объектов, затем очень быстро запоминают лицо матери и учатся распознавать человеческие эмоции. В течение жизни этот навык сохраняется – мы легко отличаем лица знакомых, по одному выражению лица можем определить настроение человека. Логично предположить, что вслед за другими умениями и эту нашу способность со временем ученые должны были «оцифровать», чтобы наделить ей машины.
История изучения программного распознавания лиц тянется с 1960-х годов. Уже тогда было понятно, что лицо можно описать набором параметров, совокупность которых у каждого человека будет существенно отличаться. Если загрузить эти свойства в программу и сопоставить их с имеющейся базой фотографий, то можно найти соответствия с высокой точностью. Проблема заключалась в том, что на тот момент механизмы захвата лица по фото или видео, а также возможности компьютеров по скоростной обработке больших массивов информации находились на низком уровне. Но уже в то время потенциал разработки был ощутим.
Где нужно распознавать лица
Основными двигателями прогресса для систем распознавания лиц стали, с одной стороны, силовые ведомства, с другой – бизнес. Спецслужбам и различным службам безопасности система интересна как действенное подспорье для поиска преступников и предотвращения противоправных действий. Верификация с помощью лица на объектах, мероприятиях и устройствах уже используется как безопасный способ подтверждения личности. Бизнес также может задействовать эти системы для идентификации покупателей, оплаты «по лицу», для анализа посещений и поведения в торговых точках.
Другими интересными областями применения системы распознавания лиц могут стать медицина и образование. С помощью компьютерного анализа лица медики смогут отслеживать состояние пациента, оценивать ход лечения, выявлять признаки болезни и т.д. В образовательной сфере, которая все больше переходит в онлайн, системы помогут анализировать поведение учеников, способствовать большей включенности в процесс обучения. Кроме того, городские камеры, интегрированные в систему «умный город», способны искать потерявшихся детей, пожилых или больных людей, оставшихся без помощи.
Конечно, существует и до сих пор используется множество других способов идентификации: по голосу, через отпечаток пальца или сканирование радужки глаза. Но у биометрии по лицу есть ряд преимуществ: она легко внедряется, дает быстрый результат и работает дистанционно, что особенно актуально во время пандемии коронавируса. В перспективе для идентификации будет использоваться комплекс биометрических исследований.
Как это работает
Весь процесс работы системы можно разделить на два этапа: выявление лица и его распознавание. Первый шаг может быть и простым, и сложным. В том случае если лицо неподвижно, находится анфас перед камерой или датчиками, хорошо освещено (как, например, в случае идентификации по лицу на смартфоне), то снять параметры лица не представляется проблемой. Распознать лицо по случайному фото или видео в динамике – гораздо менее тривиальная задача. Сложность заключается в том, что человек двигается, соответственно, лицо может попасть в кадр частично, быть закрыто головным убором, волосами. Но современные системы справляются даже при минимуме информации.
Когда программа «вырезала» лицо из общего фона, она может его развернуть, выпрямить и проанализировать. Выделяются ключевые точки (глаза, нос, рот), их может быть несколько десятков, вычисляется их взаимное расположение. Далее полученная «карта лица» переводится в цифровые значения и сверяется с базой. А затем нейросеть, обучившаяся на миллионах портретов, и мощный компьютер находят соответствие. Весь процесс занимает всего несколько секунд.
Как только системы распознавания лиц стали выходить в большой мир, сразу появились желающие «взломать» их. Хакеры, активисты и даже современные художники придумывают способы обмануть камеры и защитить свою приватность. В ход идут маски, макияж, специальные очки, лазеры. Но системы тоже становятся умнее, к тому же полные алгоритмы их работы известны только их создателям. Постепенно формируется законодательная база относительно применения подобных систем.
Лица российского рынка биометрии
Технологии распознавания лиц одновременно вдохновляют и волнуют. По данным экспертов, за последние несколько лет качество идентификации выросло в 50 раз. Растет и мировой рынок услуги: к 2024 году прогнозируется объем доходов в размере 7 млрд долларов. Системы распознавания вышли из академических кругов в большой бизнес и участвуют в мировой конкуренции. Свои технологии сегодня разрабатывают такие гиганты, как Apple, Amazon, Facebook, Google, Microsoft, IBM.
Крупнейшим российским поставщиком и одним из мировых лидеров услуг биометрии является компания NtechLab – технологический партнер Ростеха. За шесть лет из перспективного стартапа компания выросла до международных масштабов. Ее алгоритмы распознавания лиц по результатам независимых тестов многократно признавались лучшими в мире. Сегодня разработки NtechLab применяются более чем в 100 организациях 20 стран.
Основатель компании, молодой программист Артем Кухаренко начинал с того, что в качестве хобби создал софт, по фотографии определяющий породу собак. Следующим шагом стало нашумевшее приложение FindFace, появившееся в 2016 году и позволявшее любому желающему найти по фото профиль человека в соцсетях. Затем была первая международная победа распознающих алгоритмов и следующий виток развития NtechLab – взаимодействие с инвесторами и крупными партнерами.
Для создания комфортной и безопасной среды в Москве с 2017 года используется технология FindFace Security, встроенная в столичную систему видеонаблюдения. Интеграция технологии позволила существенно повысить эффективность поиска и задержания преступников правоохранительными органами. Во время проведения Чемпионата мира по футболу в 2018 году система позволила задержать более 180 правонарушителей, находившихся в федеральном розыске, а также предотвратить хищение спонсорского кубка. А с началом пандемии FindFace Security помогала находить нарушителей режима самоизоляции.
В мае этого года NtechLab в очередной раз подтвердила высокий уровень точности своих алгоритмов: компания победила в конкурсе алгоритмов распознавания лиц Face Recognition Vendor Test Национального института стандартов и технологий Министерства торговли США. Это тестирование на сегодняшний день является единственным общепризнанным мировым соревнованием подобного типа. Российская разработка соперничала с более чем ста алгоритмами из других стран и показала лучшие результаты. Победа NtechLab открыла новые возможности для международного развития компании и стала подтверждением высокого уровня отечественной IT-экспертизы. В ближайших планах компании − создание инструментов по выявлению с помощью камер агрессивных людей и детектирование пути человека.
В июне стало известно, что алгоритмы российского разработчика будут применяться на железных дорогах Индии. В течение месяца система распознавания лиц Ntechlab будет внедрена на 30 станциях наиболее загруженного участка Indian Railways. Согласно требованиям заказчика система должна обеспечивать одновременное распознавание до 50 человек в кадре. По словам представителей компании — партнера Ростеха, внедрение компьютерного зрения на объектах с потоком подобной плотности стало технологическим вызовом для системы Ntechlab, и она справляется с задачей.
Машинное обучение и распознавание лиц
Машинное обучение — это быстро развивающаяся область, которая используется для решения множества задач, включая распознавание лиц. В наши дни технология распознавания лиц используется повсюду, даже если люди не знают об этом. Многие люди используют технологию распознавания лиц, чтобы без труда войти в свои смартфоны. С помощью передового программного обеспечения для обнаружения лиц операторы наблюдения могут выделять криминальные лица из толпы.
Что менее известно, так это техника и процессы, лежащие в основе распознавания лиц. В этой статье представлен обзор областей машинного обучения и объясняется, как оно сделало возможной технологию распознавания лиц, которую мы используем в нашем продукте PXL Ident.
Что такое машинное обучение?
Машинное обучение — это область искусственного интеллекта, которая занимается проектированием и разработкой алгоритмов. Это процесс обучения компьютеров обучению на основе данных, который включает в себя разработку алгоритмов, которые могут автоматически обнаруживать шаблоны в данных, а затем делать прогнозы на основе этих шаблонов. Это контрастирует с традиционным программированием, где программист пишет код, явно сообщающий машине, что делать.
Алгоритмы машинного обучения учатся на данных для решения проблем, которые слишком сложны для решения с помощью обычного программирования.
Глубокое обучение — это подмножество машинного обучения, основанное на одновременном запуске нескольких уровней алгоритмов машинного обучения. Примечание. Термины машинное обучение и глубокое обучение часто используются как синонимы. Большая часть машинного обучения сегодня задумана на уровне глубокого обучения.
Как сегодня используется машинное обучение
Машинное обучение расширяется благодаря множеству приложений в таких областях, как компьютерное зрение, обработка естественного языка и прогнозная аналитика. Вероятно, вы уже используете в своей повседневной жизни несколько продуктов или услуг, использующих технологии машинного обучения, поскольку все большее число компаний используют машинное обучение в чрезвычайно широком спектре отраслевых вертикалей.
Например, Netflix использует машинное обучение несколькими способами. Один из способов — через их рекомендательную систему. Система рекомендаций — это то, что дает вам индивидуальные предложения о том, что смотреть дальше. Он основан на алгоритмах, которые учитывают вашу историю просмотров, ваши оценки и то, что популярно на Netflix. Другой способ заключается в том, что компания с самого начала инвестировала в несколько сезонов новых шоу, в которых они были уверены, что они будут иметь успех, основываясь на предсказаниях алгоритмов.
Другие потоковые и социальные сети также в значительной степени полагаются на алгоритмы машинного обучения для предоставления контента, который соответствует предпочтениям пользователей. А также порталы онлайн-покупок, такие как Amazon, используют алгоритмы машинного обучения, чтобы рекомендовать другие вещи, которые вы, возможно, захотите купить, на основе ваших прошлых поисков.
Реже, чем в приведенных примерах, используются такие варианты использования, как распознавание лиц на основе машинного обучения. Итак, давайте сосредоточимся на этом сейчас.
Что такое распознавание лиц?
Распознавание лиц — это метод биометрической идентификации, который использует уникальные характеристики лица человека для его идентификации. Большинство систем распознавания лиц работают, сравнивая отпечаток лица с базой данных известных лиц. Если есть совпадение, система может идентифицировать человека. Однако если отпечатка лица нет в базе данных, система не сможет идентифицировать человека.
Технология распознавания лиц часто используется в целях безопасности, например для выявления преступников или предотвращения кражи личных данных. Его также можно использовать для более приземленных задач, таких как поиск потерянного ребенка в людном месте или идентификация VIP-персон на мероприятии.
Некоторые системы распознавания лиц оснащены искусственным интеллектом, который может научиться идентифицировать людей, даже если их внешний вид изменился, например, если они отрастили бороду или набрали вес.
Использование машинного обучения в технологии распознавания лиц
Наиболее распространенным типом алгоритма машинного обучения, используемого для распознавания лиц, является сверточная нейронная сеть с глубоким обучением (CNN). CNN — это тип искусственной нейронной сети, которая хорошо подходит для задач классификации изображений.
CNN учатся извлекать функции из изображений и использовать эти функции для классификации изображений по различным категориям. Глубина CNN важна для распознавания лиц, поскольку позволяет CNN изучать более сложные черты лица.
Например, неглубокая CNN может научиться распознавать только простые черты лица, такие как форма носа или положение глаз. С другой стороны, глубокая CNN может научиться идентифицировать более сложные черты лица, такие как текстура кожи или форма подбородка. После того, как CNN была обучена на наборе данных изображений лиц, ее можно использовать для идентификации лиц на новых изображениях. Этот процесс называется распознаванием лиц.
3 этапа распознавания лиц
Распознавание лиц делится на три этапа:
- Выравнивание и обнаружение лиц. Первым шагом является обнаружение лиц на входном изображении. Это можно сделать с помощью классификатора Haar Cascade, который представляет собой тип алгоритма машинного обучения, который обучается на положительных и отрицательных изображениях.
Машина должна найти лицо на изображении или видео. К настоящему времени большинство камер имеют встроенную функцию распознавания лиц. Обнаружение лиц также используется в Snapchat, Facebook и других социальных сетях, чтобы пользователи могли добавлять эффекты к фотографиям и видео, которые они снимают с помощью своих приложений.
Проблема в контексте обнаружения лиц заключается в том, что часто лицо не направлено прямо в камеру. Лица, отвернутые от точки фокусировки, выглядят на компьютере совершенно иначе. Требуется алгоритм для нормализации лица, чтобы оно соответствовало лицам в базе данных. Один из способов добиться этого — использовать несколько общих ориентиров лица. Например, нижняя часть подбородка, верхняя часть носа, внешние стороны глаз, различные точки вокруг глаз и рта и т. д. Необходимо обучить алгоритм машинного обучения находить эти точки на любом лице и поворачивать лицо к центру.
- Измерение и извлечение признаков. После того, как лица были выровнены и обнаружены, следующим шагом будет извлечение из них признаков.
Здесь на помощь приходит сверточная нейронная сеть (CNN). CNN способна извлекать высокоуровневые функции из изображения, которые затем используются для идентификации лиц в базе данных.
- Распознавание лиц. Последний шаг — сопоставление извлеченных функций с лицами в базе данных. Обычно это делается с помощью метрики евклидова расстояния, которая измеряет сходство между двумя векторами.
Как PXL Vision использует распознавание лиц
Мы используем технологию машинного обучения для распознавания лиц в наших решениях IDV. Наши высокопроизводительные системы машинного обучения постоянно совершенствуются и проходят дальнейшее обучение. Это позволяет ему выполнить полную проверку личности всего за 30 секунд, тогда как само распознавание лиц занимает всего несколько секунд. Здесь вы можете узнать больше о нашей технологии. Здесь вы можете узнать больше о нашей технологии.
Понимание алгоритмов распознавания лиц | RecFaces
25 марта 2021 г.
Алгоритм распознавания лиц является базовым компонентом любой системы или программного обеспечения обнаружения и распознавания лиц. Специалисты разделяют эти алгоритмы на два основных подхода. Геометрический подход фокусируется на отличительных чертах. Фотометрические статистические методы используются для извлечения значений из изображения. Затем эти значения сравниваются с шаблонами для устранения отклонений. Алгоритмы также можно разделить на две более общие категории — основанные на функциях и целостные модели. Первый фокусируется на ориентирах лица и анализирует их пространственные параметры и корреляцию с другими особенностями, в то время как холистические методы рассматривают человеческое лицо как единое целое.
Искусственные нейронные сети — самый популярный и успешный метод распознавания изображений. Алгоритмы распознавания лиц основаны на математических вычислениях, а нейронные сети одновременно выполняют большое количество математических операций.
Алгоритмы выполняют три основные задачи: обнаруживают лица на изображении, видео или в потоке в реальном времени; рассчитать математическую модель лица; сравнивайте модели с обучающими наборами или базами данных, чтобы идентифицировать или проверить человека.
В этой статье рассматриваются наиболее известные алгоритмы распознавания лиц и основные функции. Поскольку каждый метод имеет свои преимущества для конкретных задач, исследователи активно экспериментируют с комбинированием методов и разработкой новых технологий.
Table of Contents
Convolutional Neural Network (CNN)
Eigenfaces
Fisherfaces
Kernel Methods: PCA and SVM
Haar Cascades
Three-Dimensional Recognition
Skin Texture Analysis
Тепловизионные камеры
ANFIS
Локальные бинарные гистограммы (LBPH)
FaceNet
NEC
Megvii (Face++)
Распознавание лиц: сочетание различных методов
Резюме
Часто задаваемые вопросы об алгоритмах распознавания лиц
Как работает алгоритм распознавания лиц?
Что такое алгоритм распознавания лиц?
Как вы можете распознавать лица в OpenCV?
Как вы обучаете алгоритмы распознавания лиц?
Сверточная нейронная сеть (CNN)
Сверточная нейронная сеть (CNN) — одно из достижений в области искусственных нейронных сетей (ANN) и разработки ИИ. Это один из самых популярных алгоритмов глубокого обучения, типа машинного обучения, при котором модель учится выполнять задачи классификации непосредственно на изображении, видео, тексте или звуке. Модель показывает впечатляющие результаты в нескольких областях: компьютерное зрение, обработка естественного языка (NLP) и самый большой набор данных классификации изображений (Image Net). CNN — это обычная нейронная сеть с новыми слоями — сверточным и пулинговым. CNN может иметь десятки и сотни таких слоев, и каждый из них учится обнаруживать различные особенности изображения.
Собственные лица
Собственные лица — это метод обнаружения и распознавания лиц, определяющий дисперсию лиц в наборах данных изображения. Он использует эти отклонения для кодирования и декодирования лиц с помощью машинного обучения. Набор собственных лиц — это набор «стандартизированных ингредиентов лиц», определяемых путем статистического анализа большого количества изображений лиц. Чертам лица присваиваются математические значения, так как этот метод использует не цифровые изображения, а статистические базы данных. Любое человеческое лицо представляет собой комбинацию этих величин с разным процентным соотношением.
Fisherfaces
Fisherfaces — один из самых популярных алгоритмов распознавания лиц; он считается лучшим, чем многие его альтернативы. Как улучшение алгоритма Eeigenfaces, его часто сравнивают с Eigenfaces и считают более успешным в различии классов в процессе обучения. Ключевым преимуществом этого алгоритма является его способность интерполировать и экстраполировать изменения освещения и выражения лица. Имеются сообщения о 93% точности алгоритма Fisherfaces в сочетании с методом PCA на этапе предварительной обработки.
Методы ядра: PCA и SVM
Анализ главных компонентов (PCA) — это универсальный статистический метод, имеющий множество практических применений. При использовании в процессе распознавания лиц PCA стремится уменьшить размер исходных данных, сохраняя при этом наиболее важную информацию. Он генерирует набор взвешенных собственных векторов, которые, в свою очередь, составляют собственные лица — обширные наборы различных изображений человеческих лиц. Линейная комбинация собственных граней представляет каждое изображение в обучающем наборе. PCA используется для получения этих собственных векторов из ковариационной матрицы набора обучающих изображений. Для каждого изображения вычисляются его основные компоненты (от 5 до 200). Другие компоненты кодируют незначительные различия между лицами и шумом. Процесс распознавания включает в себя сравнение основного компонента неизвестного изображения с компонентами всех остальных изображений.
Метод опорных векторов (SVM) — это алгоритм машинного обучения, использующий принцип двухгрупповой классификации для различения лиц и «не-лиц». Для каждой категории модель SVM получает помеченный набор обучающих данных для категоризации новых тестовых данных. Исследователи применяют линейные и нелинейные обучающие модели SVM для распознавания лиц. Недавние результаты показывают, что нелинейная обучающая машина имеет больший запас и лучшие результаты распознавания и классификации.
Каскады Хаар
Каскад Хаара — это метод обнаружения объектов, используемый для обнаружения объектов на изображениях. Алгоритм учится на большом количестве положительных и отрицательных образцов — первый содержит интересующий объект, а второй содержит что-либо, кроме объекта, который вы ищете. После обучения классификатор может найти интересующий объект на новых изображениях. Этот метод использовался для идентификации преступников в сочетании с алгоритмом локального бинарного шаблона для распознавания лиц. Каскадный классификатор Хаара использует 200 (из 6000) признаков, что обеспечивает оценку 85-9.Уровень распознавания 5% даже с разными выражениями.
Трехмерное распознавание
В основе технологии трехмерного распознавания лиц лежит уникальная структура человеческого черепа. Строение черепа каждого человека уникально и может быть описано несколькими десятками параметров. Этот метод распознавания лиц основан на сравнении 3D-сканирования лица с образцами из базы данных. У него есть существенное преимущество — макияж, растительность на лице, очки и тому подобные факторы не влияют на процесс обнаружения и распознавания. В последнем исследовании использовалась технология отображения трехмерной геометрической информации на обычной двумерной сетке. Это позволяет сочетать описательность 3D-данных с вычислительной эффективностью 2D-данных и демонстрирует самую высокую производительность, о которой сообщалось в FRGC v2 (3D-база данных лиц Face Recognition Grand Challenge).
Анализ текстуры кожи
Технология распознавания кожи имеет множество применений — алгоритмы распознавания лиц, фильтрация нежелательных изображений, анализ жестов рук и т. д. Обычно она использует изображения с высоким разрешением. В частных случаях анализа текстуры кожи используются различные уникальные параметры, такие как родинки, цвет кожи, оттенки кожи и многие другие. Недавние исследования, основанные на сочетании особенностей текстуры и цвета кожи, показали интересные результаты. Исследователи использовали нейронную сеть для разработки и тестирования системы распознавания кожи. Нейронные сети с прямой связью, использованные в проекте, классифицировали входные изображения текстур как «кожаные» и «некожные» и показали впечатляющую производительность.
Тепловизионные камеры
Тепловизионная камера — это устройство, используемое для наблюдения за распределением температуры на исследуемой поверхности. Распределение температуры отображается в виде цветного изображения с разными цветами, соответствующими температурам. У этой технологии уже есть несколько практических приложений, адаптирующихся к глобальным изменениям — сертификаты иммунитета на смартфонах, дистанционное обнаружение лихорадки и тепловое распознавание лиц. Модели теплового распознавания лиц основаны на уникальных температурных характеристиках человеческого лица. Постоянные температурные «сигнатуры» человека измеряются с помощью воображаемого теплового инфракрасного (ИК) излучения. Использование теплового метода в распознавании лиц имеет неоспоримое преимущество — макияж, растительность на лице, головной убор и очки не влияют на его точность. Более того, это отличает братьев-близнецов.
ANFIS
Адаптивная нейро-нечеткая интерференционная система (ANFIS) представляет собой тип искусственной нейронной сети. Этот метод объединяет принципы нейронных сетей с принципами нечеткой логики и объединяет их преимущества в единой структуре. ANFIS используется для классификации характеристик изображений, извлеченных из наборов данных на этапе предварительной обработки. Специалисты по данным комбинируют этот метод с различными алгоритмами извлечения признаков. Таким образом, в некоторых исследованиях сообщалось о невероятной точности классификации ANFIS на уровне 97,1% после выделения признаков с помощью двухмерного анализа основных компонентов.
Гистограммы локальных бинарных шаблонов (LBPH)
Этот метод использует локальные бинарные шаблоны (LBP), простой и эффективный оператор текстуры в компьютерном зрении, который отмечает пиксели в изображении, устанавливая порог соседства каждого пикселя и обрабатывая результат как двоичное число. . На этапе обучения алгоритм LBPH создает гистограммы для каждого помеченного и классифицированного изображения. Каждая гистограмма представляет каждое изображение из обучающего набора. Таким образом, реальный процесс распознавания заключается в сравнении гистограмм любых двух изображений.
FaceNet
Система распознавания лиц FaceNet, разработанная исследователями Google в 2015 году, основана на контрольных наборах данных распознавания лиц. Доступные предварительно обученные модели и различные сторонние реализации с открытым исходным кодом делают эту систему достаточно распространенной. FaceNet показывает отличные результаты в исследованиях, проведении опросов, тестировании производительности и точности по сравнению с другими алгоритмами, разработанными ранее. FaceNet точно извлекает встраивания лиц, высококачественные признаки, используемые для обучения систем идентификации лиц на более поздних этапах.
NEC
Решение, разработанное японской технологической компанией NEC, позволяет с высокой точностью идентифицировать людей, распознавая возрастные изменения. В решении используется смешанное сопоставление с адаптивным регионом — модель, которая фокусируется на очень похожих сегментах для сопоставления. Технология NEC делит входные и зарегистрированные изображения на небольшие сегменты и фокусируется только на сегментах большего сходства. Это позволяет системе показывать более высокую точность идентификации даже в случае, если на лице есть маска или очки. В качестве базового алгоритма решение NEC использует обобщенное векторное квантование обучения (GLVQ).
Megvii (Face++)
Китайская технологическая компания Megvii стала известна во всем мире после того, как представила свою платформу приложений для распознавания лиц. Это многоцелевое программное обеспечение. Алгоритм Megvii основан на обнаружении графов и технологии поиска нечетких изображений. Техническое решение использует собственную платформу глубокого обучения MegEngine, основанную на больших данных. Технология компании успешно выполняет извлечение информации о лицах и включает в себя несколько ключевых функций: обнаружение и отслеживание лиц и людей, распознавание и кластеризация лиц, обнаружение ключевых точек, оценка атрибутов лица и механизм поиска лиц.
Распознавание лиц: сочетание различных методов
Каждая технология распознавания лиц имеет свои эффективные особенности. Однако недавние исследования доказали, что наилучшие результаты достигаются при сочетании различных алгоритмов и методов. Эти комбинации направлены на решение многих рутинных проблем процесса распознавания лиц — различия в выражениях лица, позы, условий освещения, шума изображения и т. д. Последние эксперименты сочетают алгоритм LBP с передовыми методами обработки изображений: двусторонний фильтр, выравнивание гистограммы, регулировка контраста, и смешивание изображений. Такой метод демонстрирует впечатляющее улучшение кода LBP и выглядит многообещающим для дальнейших исследований.
Резюме
Существует множество алгоритмов и методов распознавания лиц. Хотя все они преследуют одну основную цель, они могут быть связаны с конкретными задачами и проблемами. В зависимости от целей использования и обстоятельств реализации они варьируются от нейронных сетей и математических моделей до технических решений частных компаний.
В этой статье были рассмотрены наиболее распространенные алгоритмы и методы. Тем не менее, дополнительные исследования и научные эксперименты показывают неоспоримые преимущества комбинирования различных алгоритмов для получения лучших результатов в процессе распознавания лиц. Это приводит к появлению новых методов и методов, специфичных для использования.
Часто задаваемые вопросы об алгоритмах распознавания лиц
Как работает алгоритм распознавания лиц?
Как правило, определенные нейронные сети обучаются обнаруживать ориентиры человеческого лица и отличать лица от других объектов на изображении. Ориентиры — это универсальные черты лица человека, такие как глаза, нос, рот, брови и т. д. Способы практической реализации различаются в зависимости от алгоритма.
Что такое алгоритм распознавания лиц?
Алгоритм распознавания лиц — это метод построения биометрической модели лица для дальнейшего анализа и процесса распознавания лиц.
Как вы можете распознавать лица в OpenCV?
Библиотека компьютерного зрения с открытым исходным кодом (OpenCV) — это популярная библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым исходным кодом.