Ця стаття про когнітивний процес. Для пізнавального процесу людини див. Парейдолія. Для інших застосувань див. Розпізнавання обличчя.
Систéма розпізнавáння обли́ччя — це технологія, здатна ідентифікувати або перевірити особу на цифровому зображенні або відеокадрі. Існує багато методів, які використовуються в системах розпізнавання осіб, але в цілому вони ґрунтуються на порівнянні рис обличчя заданого зображенням з обличчями, які зберігаються в базі даних. Цей метод також описують як біометричний додаток на основі штучного інтелекту, який може однозначно ідентифікувати людину шляхом аналізу моделей на основі текстур обличчя людини.
Незважаючи на те, що спочатку системи розпізнавання обличчя використовувались як застосунки, останнім часом все частіше використовуються на мобільних платформах та в інших технологіях, таких як робототехніка. Зазвичай таку систему використовують для контролю доступу в системах безпеки на рівні з іншими біометричними системами, такими як розпізнавання райдужної оболонки, відбитки пальців. Хоча точність системи розпізнавання обличчя як біометричної технології є нижчою, ніж розпізнавання райдужної оболонки ока та розпізнавання відбитків пальців, вона широко застосовується завдяки безконтактному та неінвазивному процесуZhang, Jian, Yan, Ke, He, Zhen-Yu, and Xu, Yong (2014). "A Collaborative Linear Discriminative Representation Classification Method for Face Recognition. In 2014 International Conference on Artificial Intelligence and Software Engineering (AISE2014). Lancaster, PA: DEStech Publications, Inc. p.21 . Останнім часом вона також стала популярною як комерційний інструмент ідентифікації та маркетинговий інструмент. Інші застосунки мають такі елементи, як просунута взаємодія людини з комп'ютером, відеоспостереження, автоматичне індексування зображень та відео.
Історія технології розпізнавання обличчя
Піонерами автоматичного розпізнавання облич є Вуді Бледсоу, Хелен Чан Вольф () і Чарльз Біссон ().
У 1964 і 1965 роках Бледсоу разом з Хелен Чан і Чарльзом Біссоном працював над використанням комп'ютера для розпізнавання людських облич (Bledsoe 1966a, 1966b; Bledsoe і Chan 1965). Він пишався цією роботою, але через те, що фінансування було надано неназваним розвідувальним відомством, це обмежувало публічність, тому було опубліковано мало результатів. На підставі доступних посилань було виявлено, що початковий підхід Бледсоу мав ручну обробку різноманітних ключових точок () обличчя, таких як центри очей, рот, ніс і т. д., які, після введення оператором, комп'ютер змінював з врахуванням розташування голови. Відстані між ключовими точками також обчислювались автоматично, після чого відбувалось порівняння характеристик між зображеннями для ідентифікації.
Задача полягала в тому, щоб для великої бази даних зображень (по суті, картотеки) і заданої фотографії, вибрати з бази даних декілька записів, які відповідають фотографії. Успішність методу могла вимірюватись як співвідношення довжини списку знайдених відповідей до загальної кількості записів у базі даних. Бледсоу (1966) описав наступні труднощі:
Цей проект вважався людським та машинним, тому що людина отримувала координати множини ознак по фотографії, які потім використовувались комп'ютером для розпізнавання. З допомогою графічного планшету (GRAFACON або ), оператор витягував координати точок таких ознак, як центр очей, внутрішній кут очей, зовнішній кут очей, точку маківки удівства, і так далі. З координат цих точок обчислювався список з 20 відстаней, таких як ширина рота і ширина очей, відстань між зіницями. Люди-оператори могли обробляти близько 40 фотографій на годину. При побудові бази даних ім'я людини на фотографії пов'язувалось зі списком обчислених відстаней і зберігалось у комп'ютері. На етапі розпізнавання множину відстаней порівнювали з відповідною множиною відстаней для кожної фотографії, на основі цього обчислювалась міра відмінності між фотографією і записом бази даних. Поверталися найближчі записи.
Оскільки малоймовірно, що для будь-яких двох фотографій будуть збігатись параметри повороту і нахилу голови та масштабу (який визначається відстанню від камери), кожен набір відстаней нормалізується так, щоб представляти обличчя при фронтальній (портретній) орієнтації. Щоб виконати цю нормалізацію, програма спочатку намагається визначити кути, які визначають положення голови. Потім, з врахуванням цих кутів, комп'ютер усуває накладений ефект перетворень на обчислених відстанях. Щоб обчислити ці кути, комп'ютер повинен знати тривимірну геометрію голови. Оскільки фактичні розміри кожної голови недоступні, то Бледсоу (1964) використовував стандартну голову, яка була отримана як усереднення вимірювань семи різних голів.
Після того, як Бледсоу залишив PRI в 1966 році, ця робота була продовжена в Стенфордському дослідницькому інституті, в першу чергу . В експериментах, які виконувались на базі даних з більш ніж 2000 фотографій, комп'ютер послідовно перевершував людей, коли представляв ті ж завдання розпізнавання (Bledsoe 1968). Пітер Харт (1996) з ентузіазмом згадував проект з вигуком: «Це дійсно спрацювало!»
Приблизно у 1997 році, система, розроблена Крістофом фон дер Малсбургом і аспірантами в рурському університеті у Бохумі в Німеччині і університету Південної Каліфорнії в Сполучених Штатах перевершила більшість систем, так, що системи створені у Массачусетському технологічному інституті й університеті штату Меріленд розташовувались у рейтингу далі. Система з Бохума була розроблена завдяки фінансуванню науково-дослідної лабораторії армії США. Програмне забезпечення було продавалось під назвою ZN-Face, його користувачами були Deutsche Bank, оператори аеропортів та інших людних місць. Програмне забезпечення було «достатньо надійним, щоб виконувати ідентифікацію у випадку недосконалих способів огляду обличчя. Також ідентифікація проводилось при таких перешкодах, як вуса, борода, різні зачіски й окуляри — навіть сонцезахисні окуляри».
У 2006 році було проведено оцінку ефективності алгоритмів розпізнавання облич розроблених на той час у змаганні . У тестах використовувалися зображення з високою роздільною здатністю, 3D сканування облич та зображення райдужної оболонки. Результати показали, що нові алгоритми в 10 разів точніші, ніж алгоритми розпізнавання облич 2002 року і в 100 разів точніші, ніж алгоритми 1995 року. Деякі алгоритми перевершували людей у розпізнаванні облич і навіть правильно ідентифікувати однакових близнюків .
Спонсоруванні американським урядом дослідження та змагання допомогли покращити роботу систем розпізнавання облич більш ніж на два порядки. Починаючи з 1993 року, коефіцієнт помилок автоматичних систем розпізнавання облич зменшився у 272 рази. Це стосується систем, які використовують зображеннями облич зроблені в студії або поліцейській ділянці. За законом Мура, рівень помилок зменшувався на половину кожні два роки.
Зображення облич з низькою роздільною здатністю можна збільшити за допомогою методу .
Методи захвату обличчя По суті, процес розпізнавання обличчя виконується у два етапи. Перший включає виділяння і відбір ознак, а другий — класифікацію об'єктів. Пізніші розробки запровадили різні методи. Деякі з найбільш помітних наступні:
Традиційний Деякі алгоритми розпізнавання облич визначають риси обличчя, через ключові точки або особливості по зображенню обличчя суб'єкта. Наприклад, алгоритм може проаналізувати відносну позицію, розмір і/або форму очей, носа, вилиць і щелепи. Ці ознаки потім використовуються для пошуку інших зображень з такими ж ознаками.
Інші алгоритми нормалізують галерею зображень облич, а потім стискають дані обличчя через збереження тільки тих даних на зображенні, які потрібні для розпізнавання облич. Тестове зображення потім порівнюється з даними, які відповідають обличчю. Одна з найбільш ранніх успішних системR. Brunelli and T. Poggio, «Face Recognition: Features versus Templates», IEEE Trans. on PAMI, 1993, (15)10:1042-1052 заснована на методах співставлення шаблонівR. Brunelli, Template Matching Techniques in Computer Vision: Theory and Practice, Wiley, , 2009 ( TM book), які застосовуються до множини характерних рис обличчя, забезпечуючи свого роду стиснення опису обличчя.
Алгоритми розпізнавання можна розділити на два основні підходи. Геометричний підхід розглядає відмінні ознаки. Фотометричний, який є статистичним підходом, який перетворює зображення в множину значень і порівнює ці значення з шаблонами для усунення відмінностей. Дехто класифікує ці алгоритми на дві широкі категорії: цілісні (холіцистичні) і на такі, що ґрунтуються на ознаках. Перші намагаються розпізнати обличчя у всій його повноті, в той час як ті, що використовують ознаки, розбивають обличчя на складові, такі як відповідність ознакам і аналізують кожну, як і просторове розташування щодо інших ознак.
Популярні алгоритми розпізнавання включають аналіз основних компонентів, використовуючи , лінійний дискримінантний аналіз, з використанням алгоритму рибних облич, прихованої марковської моделі, , використання тензорного представлення та нейронів.
Тривимірне розпізнавання використовує 3D-датчики для захоплення інформації про форму обличчя. Ця інформація потім використовується для виявлення характерних ознак на поверхні обличчя, таких як контури очниць, ніс і підборіддя.
Однією з переваг розпізнавання облич у просторі є те, що на нього не впливають зміни в освітленні, як в інших методах. Він також може ідентифікувати обличчя у діапазоні кутів огляду, включаючи профіль. Використання тривимірних точок обличчя суттєво поліпшує точність розпізнавання особи. Дослідження у просторі посилились завдяки розробці складних датчиків, які краще виконують роботу по захопленню тривимірних зображень обличчя. Робота датчиків ґрунтується на правильно організованому освітлені обличчя. До десятка або і більше цих датчиків зображення можна розмістити на одному чипі CMOS — кожен датчик фіксує свою частину спектра ….
Навіть ідеальна техніка співставлення тривимірних зображень облич може бути чутливою до наявності емоцій. Для цієї мети дослідницька група з Техніона застосовувала інструменти метричної геометрії для усунення виразів обличчя за допомогою ізометрії.
Новий метод полягає у введенні способу захоплення тривимірного зображення за допомогою трьох камер стеження, які спрямовані під різними кутами; одна камера дивиться у фас, друга — у профіль, а третя — під кутом. Всі ці камери працюватимуть разом, щоб можна було відстежувати обличчя суб'єкта в режимі реального часу і мати можливість розпізнавати.
Аналіз текстури шкіри Ще одна тенденція, що розвивається, використовує візуальні деталі шкіри, зафіксовані в стандартних цифрових або сканованих зображеннях. Цей метод, який називається аналізом текстури шкіри, переводить унікальні лінії, візерунки та плями, які є на шкірі людини, в математичний простір.
Аналіз текстури поверхні працює так само, як і розпізнавання обличчя. Знімок ділянки шкіри, називається відбитком шкіри (). Потім цей відбиток розбивається на дрібніші частини. Використовуються алгоритми для переведення відбитку в математичний, вимірюваний простір, система починає розрізняти будь-які лінії, пори та фактичну текстуру шкіри. Вона може знайти відмінність між ідентичними парами, що неможливо було виконати тільки за допомогою програмного забезпечення для розпізнавання облич.
Тести показали, що додатковий аналіз текстури шкіри, може збільшити результат розпізнавання облич на 20-25%.
Розпізнавання осіб, що поєднує різні методики Оскільки кожен метод має свої переваги й недоліки, технологічні компанії об'єднали традиційне, 3D-розпізнавання і шкірний текстовий аналіз, щоб створити системи розпізнавання, які мають більш високий рівень успіху.
Комбіновані методи мають перевагу перед іншими системами. Він відносно нечутливий до змін у вираженні, включаючи миготливий, хмуриться або усміхнений і має здатність компенсувати зростання вуса або бороди та появу окулярів. Система також є однорідною стосовно до раси та статі.
Теплові камери