Сравнительный анализ методов и алгоритмов биометрической идентификации личности по изображению лица

Размещено на http://www.allbest.ru/

УДК 004.418

Сравнительный анализ методов и алгоритмов биометрической идентификации личности по изображению лица

МакароваЕ.Ю.,

ЕпифановаК.А.,

ГудковК.В.

Пензенский государственный технологический университет

Пенза, Россия

Проведён сравнительный анализ современных методов и алгоритмов. Рассмотрены 2D и 3D-модели, а также термограмма лица. Исследованы их достоинства и недостатки.

Целью исследования является сравнительный анализ методов и алгоритмов биометрической идентификации личности по изображению лица.

Современный мир очень сложно представить без различных систем безопасности. Биометрические системы идентификации получили широкое распространение в системах безопасности, поскольку в них для распознавания используются не специализированные физические носители информации, а признаки или особенности самого человека. Одними из них являются системы, основанные на распознавании человеческого лица. Можно выделить несколько способов, по которым можно идентифицировать лицо: по модели в 2D, по модели в 3D и по термограмме. В каждом из этих методов есть свои уникальные особенности, которые их отличают друг от друга, достоинства и недостатки будут рассмотрены далее.

Распознавание человека по 2D моделям является довольно актуальным на сегодняшний день, и многие компании занимаются этим вопросом. Но чаще всего рассматриваемая технология связана именно с системами безопасности. биометрический лицо идентификация термограмма

Можно распознать лицо по видеоизображению, воспользовавшись детектором лиц, который будет захватывать изображение. Сначала происходит определение, есть ли в кадре лицо, а потом происходит его захват. Затем это лицо сравнивается другими изображениями лиц, которые хранятся в базе данных.

Можно привести несколько алгоритмов, по которым можно распознать человека.

Метод EGM использует представление лица в виде графов и их эластичное сопоставление. [1]. В свою очередь суть метода активной формы модели (ASM) сводится к учету статистических связей между расположением антропометрических точек на имеющейся выборке изображений лиц, снятых в анфас [3].

Метод распознавания по модели в 2D является привлекательным, так как изображение получается с камеры видеонаблюдения и не требует физического контакта со считывателем, как, например, при распознавании с помощью отпечатка пальца, он имеет достаточно хороший процент распознавания и можно использовать подобные системы в общественных местах. Но системы, основанные на этом методе чувствительны к повороту головы, смене причёски, мимике, макияжу, старению человека, внешней маскировке, а также к освещению (невозможность работы в тёмное время суток), вызывает сложность в отличие близнецов или близких родственников.

Существуют разные способы создания 3D-объектов. Но чаще всего применяется принцип - структурированной подсветки. Его суть заключается в том, что перед источником света существует фильтр с вырезанными полосками, и если световую сетку в инфракрасном диапазоне направить на лицо человека, то образуется своеобразный рельеф, с полигонами, геометрию которых можно высчитать. Потом нужно подвергнуть цифровой обработке и по кадрам 3D-видеопотока идёт построение 3D-модели лицевой поверхности, на её основании строится биометрический шаблон [11].

Системы, основанные на методе распознавания по модели в 3D, показывают гораздо лучше результат по сравнению с предыдущим методом, так как они не чувствительны к повороту головы, мимике, макияжу, неконтролируемому освещению, а также дают полную картину структуры лица. Но их недостатками можно считать сложность в создании изображения, большая вычислительная нагрузка, высокая стоимость оборудования и не подходят для наружного применения.

Следующим методом является распознавание человека по термограмме лица. Получить термоизображения можно, используя тепловизоры и термографы. Термографическое наблюдение применяется в тех условиях, когда получение изображения с видеокамеры недостаточно для реализации поставленных целей.

Первые работы, связанные с распознаванием лиц по термографическим изображением проводились в 1992 году. В них было продемонстрировано, что термограммы лиц уникальны для каждого индивида. Была установлена устойчивость к изменению освещённости, старению человека, наклону и повороту головы, мимике по сравнению с обычным изображением.

Можно выделить два основных направления исследований методов идентификации личности по термографическим изображениям:

- адаптация и изменение методов распознавания видимых изображений для термограмм;

- методы, основанные на уникальных данных, получаемых в тепловом диапазоне.

Так, как термографические снимки одного человека более похожи между собой, чем изображения сделанные видеокамерой, поэтому получили популярность два метода идентификации - метод главных компонент (PCA) и метод «собственных лиц» («Eigenfaces») [4,5]. Байесовский метод основан на анализе главных компонент (PCA). В данном подходе решение о принадлежности к классу пользователя принимается после вычисления вероятностной меры сходства, основанной анализе максимального правдоподобия для разницы двух изображений [6].Эти методы применяются, когда невозможно получить видимое изображение.

Так как на лице существуют разные области с одинаковой температурой (эквитермальные регионы), связанные с подкожным кровеносным рисунком лица, применяют метод выделения области лица с помощью краевой детекции Собеля, используя эллиптическую маску [7]. По выделенной области лица строится 8 эквитермальных регионов (7 для температур лица и одна для фона), называемые изотермами [8].

Также существует алгоритм распознавания лиц по термографическим изображениям, основанный на статистических и метрических характеристиках. Лицо детектируется пороговой фильтрацией. В качестве вектора признаков выделяются особые характеристики выделенного лица: периметр, длина/ширина выделенного прямоугольника, статистика распределения температур. Задача распознавания решается с помощью трехслойной нейронной сети. Вероятность правильной идентификации для изображений без очков составляет 99%, а с очками - 93.75% [9].

Биометрические системы, основанные на принципе распознавания по термограмме лица, имеют ряд достоинств, например, нечувствительность к повороту головы, мимике, макияжу, старению, внешней маскировке и муляжу, неконтролируемому освещению, в частности, работа при полной темноте, отличие близнецов, так как используются камеры, способные улавливать инфракрасное излучение, исходящее от человека. Также изображение может быть зафиксировано с расстояния, подходит для наружного применения. Но и имеются недостатки, например, требуются сложные математические вычисления, высокая стоимость оборудования и высокий процент распознавания только в лабораторных условиях.

Проанализировав различные способы, позволяющие идентифицировать человека по его лицу, можно сделать вывод, что процент распознавания зависит от многих факторов конкретного метода. В каждом из трёх, вышеописанных, способов, существуют как достоинства, так и недостатки, которые следует учитывать, выбирая конкретный метод идентификации. Все эти методы являются достаточно новыми и ещё развиваются. Распознавание по 2D модели лица является эффективным, если нужно распознать человека в толпе, но является чувствительным к внешней маскировке и освещению. Распознавание по 3D модели лица позволяет добиться больших результатов, так как создаются проекции лица со всех ракурсов, но стоимость оборудования будет очень большой и применять можно только в каком-то определённом пространстве. В свою очередь, на распознавание человека по термограмме лица не влияют ни поворот головы, ни мимика, ни схожие черты близнецов, ни меняющееся освещение, что позволяет этому методу иметь высокие результаты.

Список литературы

1. Face Recognition by Elastic Bunch Graph Matching / L. Wiskott [and etc.] // In Intelligent Biometric Techniques in Fingerprint and Face Recognition/eds. L.C. Jain [et al.]. - Los Angeles, CA : CRC Press. - 1999. - P. 355-396.

2. Khalajzadeh, H., Mansouri, M.,Teshnehlab, M. Face Recognition using Convolutional Neural Network and Simple Logistic Classifier // K.N. Toosi University of Technology. - Tehran. - 2012. - P. 1-10.

3. Prabhu, U., Seshadri, K. Facial Recognition Using Active Shape Models, Local Patches and Support Vector Machines // ECE Department Carnegie Mellon University. - Pittsburgh, PA. - 2009. - P. 1-8.

4. Brunelli R., Poggio T. Face recognition: Features versus templates // IEEE Transanctions on Pattern Analysis and Machine Intelligence. - 1993. - №15(10).

5. Mian”A. Comparison of Visible, Thermal Infra-Red and Range Images for Face Recognition // Lecture Notes In Computer Science. - Archive Proceedings of the 3rd Pacific Rim Symposium on Advances in Image and Video Technology. - Vol. 5414.

6. Moulay A. Akhloufi, Abdelhakim Bendada Probabilistic Bayesian framework for infrared face recognition // World Academy of Science, Engineering and Technology. - 2009.

7. Akhloufi M.A., Bendada А. Infrared face recognition using Distance transform // World Academy of Science, Engineering and Technology. - 2008. - Vol. 40. - P. 160-163.

8. Buddharaju P., Pavlidis I.T., Tsiamyrtzis P. Pose-Invariant Physiological Face Recognition in the Thermal Infrared Spectrum // IEEE Conference on Computer Vision and Pattern Recognition Workshop. - New York, 2006. - P. 53-53.

9. Chen Y.-T., Wang M.-S. Human Face Recognition Using Thermal Image // Journal of Medical and Biological Engineering. - 2002. - Vol 22(2). - Pp. 97-102.

10. Иванеицкий, Р.Г. Современное метрическое тепловидение в биомедицине, Успехи физических наук, т. 176, № 12, 2006, С. 1293-1320.

11. VOCORD FaceControl 3D [Электронный ресурс] - М.: VOCORD, 2013 -. - Режим доступа: http://www.vocord.ru/catalog/products/sistemy-videonablyudeniya/vocord-facecontrol-3d/ , свободный. - Загл. с экрана

Размещено на Allbest.ru