CC BY
73
БОТ: 10.15587/2312-8372.2017.110868
АНАЛ1З МЕТОД1В I ТЕХНОЛОГ1Й РОЗП1ЗНАВАННЯ ЛЮДЕЙ ПО ЗОБРАЖЕННЮ ОБЛИЧЧЯ
Нечипоренко О. В., Корпань Я. В.
1. Вступ
В даний час широкого поширення набувають бюметричш системи iдентифiкацii людини. Класичнi системи щентифшаци вимагають знання пароля, наявност ключа, iдентифiкацiйноi картки, або шшого iдентифiкуючого предмета, який можна забути або втратити. На вщмшу вщ них бiометричнi системи грунтуються на ушкальних бiологiчних характеристиках людини, як важко пiдробити i якi однозначно визначають конкретну людину. До таких характеристик вщносяться, наприклад, вiдбитки пальщв, форма долонi, геометрiя обличчя, вiзерунок райдужноi оболонки, зображення сiткiвки ока [1].
За даними доповщ «В1ра в технологи», пщ^овленому у травш 2017 року компашею HSBC, краши Азii та Близького Сходу випереджають Захiд в питаннi впровадження бюметричних технологiй. Очолюе список краiн з найбшьшим поширенням засобiв бiометричноi щентифжацп - Iндiя, жителi якоi в три рази частше (9 %) використовували «розпiзнавання по райдужнiй оболонщ ока» для iдентифiкацii, нiж жшеи будь-яко!' iншоi краши (3 %), що взяла участь в дослщженш. Китайцi охочiше за iнших користуються сканерами вiдбиткiв пальцiв (40 %). За ними слiдують iндiйцi (31 %) i жителi ОАЕ (25 %). При цьому, всього 9 % французiв i шмщв, i 14 % канадцiв використовували технологш сканування вiдбитку пальця для щентифшацп [2].
У той же час, регулярне використання традицшних технологш, таких як щентифжащя на основi пароля, найбiльш поширена на Захода Коли справа стосуеться управлiння грошовими активами, жителi Iндii (50 %) i Китаю (48 %) набагато бшьш схильнi довiряти порадам комп'ютера, шж людей, в той час як для Канади i Великобританп цей показник склав 18 % i 21 % вiдповiдно [2].
Задача видшення обличчя людини в природнш або штучнiй обстановцi i подальшiй iдентифiкацii завжди перебувала в ряду найбшьш прiоритетних задач для дослщниюв, що працюють в област систем машинного зору i штучного штелекту. Тим не менше, багато дослщжень, що проводяться в провщних наукових центрах усього свiту протягом декшькох десятилiть, так i не привело до створення реально працюючих систем комп'ютерного зору, здатних виявляти i розтзнавати людину в будь-яких умовах. Незважаючи на близьюсть задач i методiв, використовуваних при розробщ альтернативних систем бiометричноi iдентифiкацii людини таких, як щентифжащя за вщбитками пальцiв або по зображенню райдужно1' оболонки, системи iдентифiкацii по зображенню облич ютотно поступаються цим системам. Тому питання дослщження, вдосконалення i розробки сучасних методiв i технологш розшзнавання людей по зображенню обличчя е актуальною задачею.
2. Объект досл1дження та його технолопчний аудит
Об 'ектом дослгдження е процеси бiометричноi iдентифiкацii та аутентифжаци людини по зображенню й обличчя для систем комп'ютерного зору.
Бюметрична аутентифiкацiя - процес доказу i перевiрки автентичностi через пред'явлення користувачем свого бюметричного образу i шляхом перетворення цього образу вщповщно до заздалепдь визначеного протоколу аутентифiкацii. Бюметричш системи аутентифiкацii - системи аутентифшацп, що використовують для посвiдчення особи людей iх бiометричнi данi.
Розшзнавання облич - це автоматична локаизащя людського обличчя на зображеннi або вщео i, при необхiдностi, щентифжащя особистостi людини на основi наявних баз даних (БД).
Бюметричш системи складаються з двох частин: апаратних засобiв i спецiалiзованого програмного забезпечення. Апаратш засоби включають в себе бюметричш сканери i термiнали, як фiксують той чи iнший бюметричний параметр i перетворюють отриману шформащю в цифрову модель, доступну комп'ютеру. А програмнi засоби цi даш обробляють, спiввiдносять з БД i виносять рiшення, хто постав перед сканером. Наприклад, в роботi [3] наведений анаиз бiометричних датчикiв вщбитюв пальця для системи управлiння доступом, а в робот [4] наведеш порiвняльнi характеристики спецiалiзованих бiометричних систем управлшня доступом.
Для того, щоб бiометрична система змогла надалi щентифжувати користувача, в нiй необхiдно спочатку зарееструвати вщомосл про його щентифжатори. Комерцiйнi системи (на вiдмiну вщ систем, що застосовуються силовими i правоохоронними органами) зберiгають не зображення реальних iдентифiкаторiв, а !х цифров; одел^ к ли користувач повторно звертаеться до системи, знову формуеться модель його щентифжатора, i вона порiвнюеться з моделями, вже занесеними рашше до БД.
Серйозною проблемою, що стоггь перед системами комп'ютерного зору, е велика мшливють вiзуальних образiв, пов'язана зi змiнами освггленоси, забарвлення, масштабiв, ракурсiв спостереження. Крiм того, люди мають звичку ходити по вулицях i в примiщеннi одягненими, що призводить до суттево!' мiнливостi зображень однiеi i пе!' ж людини. Однак найбiльш складним завданням комп'ютерного зору е проблема усунення неоднозначности що виникае при проектуванш тривимiрних об'ектiв реального свггу на плоскi зображення. Колiр i яскравiсть окремих пiкселiв на зображенш також залежить вiд велико1' юлькосл важко прогнозованих факторiв. У число цих факторiв входять:
- кшьюсть i розташування джерел свiтла;
- колiр i iнтенсивнiсть випромiнювання;
- лш або вiддзеркалення вiд навколишшх об'ектiв.
Задача виявлення об'ектiв на зображенш ускладнюеться також великим обсягом даних, що мютяться в зображенш Зображення може мютити тисячi пiкселiв, кожен з яких може мати важливе значення. Повне використання шформацп, що мiститься в зображеннi, вимагае аналiзу кожного пiкселя на приналежшсть його об'екту або фону з урахуванням можливо1' мiнливостi
об'еклв. Такий анаиз може вимагати великих витрат необхщно!' пам'ятi продуктивностi комп'ютера.
До недолiкiв розпiзнавання людини по зображенню обличчя слщ вiднести i те, що сама по така система не забезпечуе 100 % надшност iдентифiкацiï.
3. Мета та задачi досл1дження
Метою даноХ роботи е аналiз iснуючих задач, методiв i технологiй розпiзнавання людини по зображенню обличчя. Для досягнення поставленоï мети потрiбно вирiшити наступт задачi:
1. Визначити вимоги та фактори, що впливають на ознаки i характеристики об'екта системи бiометричноï щентифшаци людини по обличчю.
2. Проанаизувати особливостi класiв та властивостi задач розтзнавання людини по обличчю.
3. Розробити узагальнений алгоритм автоматичного виявлення та щентифшаци людини по обличчю.
4. Дослщження кнуючих ршень проблеми
Проблема розтзнавання облич розглядалася ще на раннiх стадiях комп'ютерного зору. Ряд компант протягом бiльше 40 роюв активно розробляють автоматизованi, а зараз i автоматичш системи розтзнавання людських облич:
- Smith & Wesson (система ASID - Automated Suspect Identification System);
- ImageWare (система FacelD);
- Imagis, Epic Solutions, Spillman, Miros (система Trueface);
- Vissage Technology (система Vissage Gallery);
- Visionics (система FaceIt).
Технологи розтзнавання облич застосовуються в найрiзноманiтнiших сферах [5]:
- забезпечення безпеки в мюцях великого скупчення людей;
- системи охорони, уникнення незаконного проникнення на територш об'екта, пошук зловмисниюв;
- фейс-контроль в сегмент громадського харчування та розваг, пошук тдозрших i потенцшно небезпечних вiдвiдувачiв;
- верифшатя банкiвських карт;
- онлайн-платежц
- контекстна реклама, цифровий маркетинг, Intelligent Signage i Digital Signage;
- фототехнiка; кримiналiстика;
- телеконференций
- мобiльнi додатки;
- пошук фото у великих базах фотозтмюв;
^'дмггка людей на фото в сотальних мережах i багато шших.
Apple плануе використовувати систему розшзнавання облич в якост розблокування телефону - селф^ зняте власником телефону на фронтальну камеру, буде порiвнюватися з заздалепдь завантаженим фото-еталоном. Google вже використовуе функцш розпiзнавання обличчя в Android, для розблокування пристрою. Проте, розробники неодноразово стверджували, що розшзнавання обличчя недостатньо захищене в порiвняннi з традицшними методами. В Сврош проводиться повномасштабний науковий проект Tabula Rasa, головна мета якого - розробка захисту вщ шахрайства для бюметричних способiв iдентифiкацiï [6].
Розшзнавання людини по зображенню обличчя видшяеться серед бiометричних систем тим, що по-перше, не потрiбне спецiальне або дороге устаткування. Для бiльшостi додатюв досить персонального комп'ютера i звичайноï вiдеокамери. По-друге, не потрiбен фiзичний контакт з пристроями. Не треба ш до чого торкатися або спешально зупинятися i чекати спрацьовування системи. У бшьшост випадкiв достатньо просто пройти повз або затриматися перед камерою на декшька секунд [7].
Ефектившсть розшзнавання обличчя безпосередньо залежить вщ таких факторiв, як стшюсть бiометричного шаблону до рiзного роду перешкод, спотворень у вихщному фото- або вiдеозображеннi [8-10].
При всьому рiзноманiттi рiзних алгоритмiв i методiв розпiзнавання зображень вони мають схожу структуру. Типовий метод розшзнавання складаеться з трьох компонент [11]:
- перетворення вхщного зображення в початкове представлення (може включати в себе як попередню обробку, так i математичш перетворення, наприклад обчислення головних компонент);
- видшення ключових характеристик (наприклад, беруться першi n головних компонент або коефiцiентiв дискретного косинусного перетворення);
- мехашзм класифжацн (моделювання): кластерна модель, метрика, нейронна мережа i т. п.
К^м цього, побудова методу розпiзнавання спираеться на апрюрну iнформацiю про предметну область (в даному випадку - характеристики обличчя людини), i коригуеться експериментальною шформашею, що з'являеться по ходу розробки методу.
Задачi розшзнавання людини по зображенню обличчя подтяються на три класи: пошук в великих БД, контроль доступу i контроль фотографш в документах. Цд задачi розрiзняються як за вимогами, що надаються до систем розшзнавання, так i щодо спосо6Дв виргшення, i тому являють собою окремi класи. РДзш i вимоги, що пред'являються до помилок першого i другого роду для таких класш. Помилкою першого роду (type I error, misdetection) називаеться ситуацiя, коли об'ект заданого класу не розпзнаеться (пропускаеться) системою. Помилка другого роду (type II error, false alarm) вщбуваеться, коли об'ект заданого класу приймаеться за об'ект шшого класу [12].
1снуе кiлька шдходДв для створення алгоритму розшзнавання облич: емшричний, iнварiантний i детектування ошб за допомогою шаблошв.
Емтричний тдхщ використовувався в самому початку розвитку комп'ютерного зору. Вш базуеться на деяких правилах, як використовуе людина для детектування особи. Наприклад, лоб зазвичай яскравший, шж центральна частина обличчя, яка, в свою чергу, однородна по яскравост i кольору. Ще однiею важливою ознакою е наявшсть частин обличчя на зображенш - носа, вух, рота, очей. Для визначення обличчя проводиться значне зменшення дшянки зображення. Ц методи легко реалiзувати, але вони практично непридатш при наявност велико1' кiлькостi стороннiх об'ектiв на фот, кiлькох облич в кадрi або при змт ракурсу.
Наступний пщхщ використовуе iнварiантнi ознаки, характернi для зображення обличчя. В його основ!, як i в попередньому метод!, лежить спроба системи «думати» як людина. Метод виявляе характернi частини обличчя, його кордони, змшу форми, контрастносп i т. д., об'еднуе всi цi ознаки i верифкуе. Даний метод може використовуватися навпъ при поворот! голови, але при наявност iнших облич або неоднородному фон! розпiзнавання стае неможливим.
Третш шдхщ - це детектування ошб за допомогою шаблошв, як! задае розробник. Обличчя представляеться певним шаблоном або стандартом, i мета алгоритму - провести перев!рку кожного сегмента на наявшсть цього шаблону, причому перев!рка може проводитися для р!зних ракуршв i масштаб!в. Така система вимагае безл!ч трудомютких обчислень.
Для пор!вняння з граф!чними зображеннями-шаблонами застосовуються два основних алгоритми: мiнiмальноï середньоï кореляцiйноï енергiï (MACE) [13] и локальш бшарш шаблони (LBP) [14].
Локальш бшарш шаблони (LBP) використовують обробку шкселя цифрового зображення. Алгоритм LBP популярний для розтзнавання граф!чного зображення в цшому, а остантм часом застосовуеться i для розтзнавання облич. Непараметричне ядро LBP анашзуе тксельну структуру зображень. Воно е швар!антшм до монотонних шро-масштабних перетворень, тобто менш чутливе до освпленост!, що вельми важливо.
Принцип роботи MACE-фшьтра заснований на визначенш середнього ступеня кореляцп до заздалепдь тдготовлених зображень; коефщент кореляцп дор!внюе нулю на всьому зображенш, кр!м областей, як! збшаються з шаблонами, тобто в цих областях стутнь кореляцп бшьше. Для роботи необходна база шаблошв для розрахунку ступешв кореляцп. Для забезпечення бшьшо!' надшност в баз! потр!бно мати пор!вняно велику кшьюсть зображень обличчя, в р!зних умовах осв!тлення i змши м1мши.
5. Методи дослiдження
Основою будь-яко!' системи розтзнавання обличчя е метод його кодування. У ряд! випадюв використовуеться анаиз окремих локальних характеристик для представлення загального зображення обличчя в вигляд! статистично обгрунтованих, стандартних блоюв даних. Такий метод використовуе корпорашя Viscionics в свош систем! Facelt. Даний математичний метод базуеться на можливост отримання обличчя з репрезентативно!' виб!рки з використанням сучасних статистичних прийом!в. Вони охоплюють тксел!
зображення обличчя i ушверсально представляють форми обличчя. Фактично в наявностД е набагато бДльше елементДв побудови обличчя, шж число самих його частин. 1дентичшсть обличчя визначаеться не тшьки характерними елементами, але i способом 1'х геометричного об'еднання (враховуються ïx вДдносш позицiï). Отриманий складний математичний код iндивiдуальноï iдентичностi - шаблон Faceprint - мДстить iнформацiю, яка вiдрiзняе обличчя вДд мшьйошв шших з високою точнДстю. Шаблон не залежить вДд змДн у освггленш, тону шкДри, наявностД або вДдсутностД окулярДв, виразу обличчя, волосся, стшкий до змДни в ракурсах до 35" в будь-яких напрямках.
Система Facelt автоматично оцiнюе якДсть зображення для розшзнання обличчя i, якщо необxiдно, здатна його полшшити. Вона також створюе зображення обличчя Дз сегментДв даних, генеруе цифровий код або внутршнш шаблон, унДкальний для кожного шдивщуума. В системД закладений режим стеження за обличчями в часД, а також стиснення зображення обличчя до розмДру 84 байт для використання в смарт-картах, штрихових кодах та шших пристроях з обмеженим розмДром зберДгання.
Обличчя е досить простим об'ектом для розшзнавання (якщо порДвнювати з шшими класами об'ектДв). Однак з Дншого боку, до систем розшзнавання по обличчю пред'являються жорсткД вимоги по надДйностД, точностД i стшкостД видДлення при наявностД рДзних перешкод i змши умов зйомки. Сгшюсть i точшсть визначення елементДв обличчя на зображеннях в сучасних системах вже перевищують ш характеристики для людини-експерта.
Як правило, зображення людини представлено на навколишньому фош, який е не однорДдний (предмети штер'еру або екстер'еру). Основний етап системи розшзнавання обличчя полягае у визначенш локальноï областД зображення обличчя людини по ïï характерним ознакам (колДрнД складовД, локальш особливостД точок обличчя i ïx взаемне розташування, форма). ВидДлення i оцшка цих ознак лежить в основД цДлого класу алгоритмДв, спрямованих на вирДшення задачД детектування облич на статичних зображеннях i вДдеопослДдовностях [15-18].
ВибДр алгоритму, який використовуеться для Ддентифшацп людини по зображенню його обличчя, також залежить вДд конкретних умов його застосування. Наприклад, задача виявлення конкретноï людини в натовш вимагае застосування витончених методДв для зниження рДвня помилкових тривог. На початкових етапах роботи система Ддентифжацп повинна вДдсДкати свДдомо невДдповДдних кандидалв i використовувати множину кандидалв, що залишилися, для прийняття остаточного рДшення про Ддентифшацш.
6. Результати дослщження
ВирДшення проблеми виявлення об'еклв на зображенш обличчя полягае в правильному виборД опису об'еклв, для виявлення i розшзнавання яких створюеться система. Опис об'екта повинен враховувати його найхарактернДшД риси i бути досить представницьким, щоб вДдрДзняти даний об'ект вДд шших елеменлв навколишньо!' сцени.
Щоб уникнути суб'ективност! при вибор! потр!бного опису, можна використовувати методи автоматичного вибору вщповщних характеристик об'екта, як! реашзуються в генетичних алгоритмах i при навчанш штучних нейронних мереж. У той же час юнуе ряд параметр!в в опис об'екта, як! в даний час повинен вибрати дослщник, що розробляе систему виявлення i розтзнавання. До такого вибору вщносяться:
- виб!р м!ж 2D i ßD-представленням сцени i об'екта. Алгоритми, що використовують 2D-представлення, зазвичай простш!, шж 3D- алгоритми, але в той же час вимагають великого числа р!зних опишв, що вщповщають представленню об'екта в р!зних умовах спостереження;
- виб!р м!ж описом об'екта як единого цшого або як системи, що складаеться з певно1' ктькосл взаемопов'язаних елеменлв;
- виб!р м!ж системою ознак, що грунтуються на геометричних чи шших характеристиках, що описують специфшу об'екта.
Проанаизуемо особливост розподшу задач розтзнавання людини по зображенню ïï обличчя на класи.
Для класу задач пошуку зображення в великих БД, одне з ршень полягае в збериант в БД невеликих набор!в заздрлепдь визначених ключових ознак, що максимально характеризують зображення. До даного класу насамперед водноситься метод головних компонент (метод «власних облич») [19-22]. У роботах [23, 24] описано розвиток методу головних компонент на основ! нейронних мереж. В робот! [25] також показана можливють використання ознак, що сформувалися на бшьш тзшх шарах спетал!зовано1' нейронно1' мереж!, для класифшацп зображень за методом найближчого сусода.
Налаштовуючи систему, що автоматично вир!шуе задач! по контролю доступу, можна контролювати умови отримання зображень, як1 будуть збер!гатися в БД, i досягнути ïx вщповщносп тим умовам, в яких буде проводитися щетифкащя людини. П!д поняттям «умови» в даному випадку можна мати на уваз! як освплешсть людини при зйомщ, так i ïï положення перед камерою (ракурс, вщстань до об'ектива), м1мка та in Для зменшення ймов!рносп неправильно1' щетифкаци, при створены класифкатора можна передбачити використання деюлькох зображень, що належать одщй людпт (з вар!апдями), аж до пор1вняиня вщеопослщовностей деяких певних рухв голови i мтчних м'язш обличчя. Кр1м того, при виршент завдання такого роду не виникае проблема враховування вкових змш (пошуку i вибору iнварiантиих в час! ознак). Як правило, у розробника системи е можливкть передбачити оновлення бази зображень в раз! пщвищення юлькосп помилкових вщмов у доступ!.
Основна складшсть автоматизацп завдання контролю фотографп в документах складаеться в повнш вщсутност! будь-яко1' апрюрно1' шформацп при пор!внянт зображень пред'явника, отриманих з вщеокамери, i фото, вщсканованого з документа. 1стотне ускладнення викликае також можлива р!зниця в вщ людини, зображено1' на документ! i людини, що стогть перед камерою (термш дп паспорта може бути вщ 5 роюв до 55).
Кр!м того, проблемою е i отримання бшьш-менш однакових (по яскравост!) пор!внюваних цифрових зображень. Якщо процес отримання яюсного зображення пред'явника документа в даний час особливих проблем не
викликае, то оцифровування фотопортрета, приклееного на документ, ускладнюеться декшькома факторами. Перш за все, яюсть буде втрачатися через те, що для отримання цифрового зображення використовуеться не сам об'ект (оригшал), а його двовимiрне фотозображення, а також через неможливють контролювати початковi умови отримання цiеi копii [26].
Спотворення цифрових зображень вщбуваеться через присутшсть на сучасних документах засобiв захисту вiд пiдробки. Нанесення рiзного ступеня складностi вiзерункiв i печаток на документи використовуеться в багатьох державах i може послужити додатковим ускладненням при аналiзi зображення i видiлення з нього ознак для розшзнавання.
Рiшення завдання паспортного контролю вимагае використання методiв розпiзнавання, як базуються на порiвняннi лише двох зображень. Основна складшсть 11 виршення полягае в знаходженнi достатньо1' юлькосп загальних або вiдмiнних ознак на порiвнюваних зображеннях для впевненоi вщповщ на питання про iденгичнiсть об'екпв. Визначити необхiдний мiнiмум таких ознак, грунтуючись лише на парi фотографш i часто не маючи можливосп використовувати будь-яку апрiорну шформацш про зображених на них об'ектах, представляеться складним завданням. Тому дослiдники, яю працюють в даному напрямку, запропонували методи, що базуються на деформацп одного зображення з метою перетворення його в шше i оцшщ «зусиль», необх1дних для и виконання [21].
Результати аналiзу властивостей задач розшзнавання людини по зображенню обличчя наведеш в табл. 1.
Таблиця 1
АнаШз властивостей задач розшзнавання людини по зображенню обличчя
Клас Вимоги Опис Алгоритм
1 2 3 4
Пор1вняння типу «один з У великш БД потр1бно Система спостереження
багатьма». Висою знайти зображення, фотографуе людину. За
вимоги до помилки найб1льш схожi на допомогою нейроннох
першого роду - система задане. Пошук повинен мережi проводиться
розшзнавання повинна бути проведений за пошук обласп обличчя.
знаходити зображення, розумний час. Воно видшяеться,
Задача вщповщш данш людиш. Застосовуваш методи: оптимiзуеться
пошуку Допускаеться невелике метод головних яскравiсть, контраст
зображення число шших людей в компонент (метод зображення, пот1м
у великих результуючш виб1рц1. «власних облич»), нормалiзований
БД Вимоги до точност не розвиток методу головних фотопортрет надходить
настшьки критичш, як у компонент на основ1 на обробку шшш
задачах контролю нейронних мереж 1 метод нейроннiй мережi, яка
доступу та найближчого сусща розтзнае вх1дний
документного контролю портрет i здiйснюе виб!р з1 схожих фото, що збер^аються в БД
Продовження таблиц 1
Клас
Вимоги
Опис
Алгоритм
2
3
4
Задача
контролю
доступу
Пор1вияиия типу «один з декшькома». Критичними е вимоги до помилок другого роду. Система не повинна розтзнавати незнайомих людей, можливо навгть за рахунок збшьшення помилок першого роду. Потр1биа висока достов1ртсть розпiзиаваиия. Система повинна працювати в реальному масштаб! часу. В процес експлуатацп система мае швидко донавчатися
Система мае розтзнавати по зображенню обличчя групу ос1б i вщкривати 1'м доступ в певне примщення. Людей, яю не входять в цю групу, система не мае пропускати. Обмежень на застосовуват методи тут иемае, але вс вони сходяться в тому, що е навчальний иаб1р зображень облич задано'1 групи людей, до якого система звертаеться в процес розпiзиаваиия або налаштовуеться на иього в процес иавчаиия
На двер1 розташоваиа фото- або вщеокамера, яка ф1ксуе людииу иа вход! На фотозшмку знаходиться область розташування обличчя, дал1 вщбуваеться його розтзиаваиия. Якщо обличчя вщповщае портрету, що збер1гаеться в БД, то зчитуеться додаткова иформатя: !м'я, в1к, посаду i т. д. На основ! цих даиих система вщкривае або закривае доступ до об'екпв
Задача контролю фотографп в
документах
Пор1вияиия типу «один г одиим». Формулювати вимоги до помилок першого i другого роду як до системи розтзиаваиия е некоректним. Бажано, щоб система не скоювала помилок при пор1внянш. Враховуваиия вс1х можливих вщмшностей в процес иавчаиия або налаштування системи е складним. Великий вплив мають в1ков1 та rnmi змши обличчя
Потр1био пор1вияти отримане зображення обличчя людини, з фотограф1ею з документа в режим! реального часу в умовах вщсутиосп апр1орио1 шформацп про аиал1зоват
фотопортрети. Система визиачае, чи иалежать щ обличчя одтй людин чи ш.
Методи застосовуються з1 спетальиою адаптатею, иаприклад, використовують методи, що базуються на деформацп зображеиия з метою його перетвореиия i оцшщ «зусиль», иеобхщиих для ïï викоиаиия
Система спостереження робить фотографш людини. За допомогою иейроииоï мереж1 проводиться пошук област обличчя иа фотографп. Область обличчя аиал1зуеться, видшяються озиаки для розтзиаиия, тсля чого даний фотопортрет пор1виюеться з фотограф1ею з документа. Для цього фото скануеться i вщбуваеться видшеиия озиак для розтзиаиия
1
Проанаизувавши вимоги та особливост задач розтзнавання людини по обличчю розробимо узагальнений алгоритм виршення таких задач.
1снуючД в даний час методи автоматичного виявлення та щентифДкацп людини по зображенню ïï обличчя реалДзують схему, що складаеться (у загальному випадку) з наступних крокДв (рис. 1):
виявлення факту присутностД людини на сцеш; видшення фДгури людини; видшення голови;
визначення положення голови (анфас, профшь); видшення обличчя i його характеристик (ознак); вДдстеження перемДщення обличчя по кадрам (для вДдеозображення); оцшка якостД видшеного зображення; порДвняння з еталонами i Ддентифшащя; створення запису для БД. Залежно вДд конкретних умов структура i реалДзацДя окремих крокДв алгоритму можуть вДдрДзнятися. У найбшьш складному випадку система виявлення та щентифшацп людини по зображенню ïï обличчя використовуеться в сильно змшюваному оточенш, з великим потоком вхДдних даних. Наприклад, робота на мДських вулицях з штенсивним рухом, в метро, аеропортах i т. д. Для досягнення задовшьних результатДв роботи алгоритму потрДбне використання максимально доступноï iнформацiï.
Алгоритм повинен вмДти ефективно виконувати таю дп: - вДдсДкати статичнД i повшьно змшюваш елементи сцени; працювати в рДзних умовах освДтленостД; втзнавати фДгуру людини пДд рДзними ракурсами; вДдстежувати пересування великоï юлькостД людей; автоматично обирати момент, вДдповДдний для виконання Ддентифшацп даноï людини.
Для забезпечення таких можливостей алгоритму необхДдна певна апаратурна насиченють системи. Вона включае багатокамерний огляд i аналДз сцени з можливДстю видшення 3D-структури. Також необхщш ресурси для швидюсного введення вДдеопотоку з фшьтращею елементДв сцени за параметрами руху та використання кольору для видшення елементДв сцени. КрДм того потрДбнД камери з високою роздшьною здатнДстю i хорошою оптикою для забезпечення можливо бiльшоï дальностД достовiрноï iдентифiкацiï. У простДших випадках, при статичнш сценД i обмеженому потощ подДй, можливе використання бшьш простоï структури апаратного забезпечення i алгоритму. Наприклад, стереопари або однiеï камери i заздалегДдь пiдготовленоï моделД сцени може бути досить для достовДрного визначення факту знаходження людини в зош контролю, видшення його фДгури i iдентифiкацiï.
Рис. 1. Узагальнений алгоритм вирДшення задачД Ддентифкацп людини по обличчю
Задача визначення факту присутностД людини на сцеш, вимагае вДд алгоритму певного рДвня Днтелекту. Це не повинна бути система, що реагуе просто на факт змши сцени. Алгоритм виявлення людини не повинен давати неправдивД тривоги при змшах в освДтленостД, рус тДней вДд статичних об'ектДв, появД в зонД контролю тварин i т. д. У випадку, коли це необхДдно, з'являеться проблема створення адекватного опису сцени. Цей опис може представляти тривимДрну модель сцени, ймовДрну модель розподшу кольорДв або яскравостей елементДв сцени або систему ознак, що вДдрДзняе елементи сцени вДд об'ектДв розшзнавання. ВДдношення мДж елементами сцени, якД вважаються фоном, або елементами переднього плану можуть змДнюватися. Та ж фДгура людини, якщо
ïï зображення менше деякого граничного значения, що визначаеться здатшстю оптичноï системи, може бути вщнесена до елеменлв фону, так як ïï анашз е непродуктивним для виконання основного завдання - щентифшацп людини.
При щентифшаци рухомоï в пол! зору камери людини необх1дно вщстежувати перемщення обличчя вод кадру до кадру. Маючи юлька зображень одноï' людини в р!зних ракурсах, програма вибирае найбтьш вдалий з ïï точки зору кадр i збергае його в БД. Обробляючи юлька зображень однiеï людини в р!зних ракурсах, можна домогтися дуже високого вщсотку точносп розтзнавання
7. SWOT-аналiз результат дослiджень
Strengths. Методи бiометричноï щентифшацп та аутентифiкацiï людини по зображенню обличчя використовуються в мультимодальних бюметричних системах. Мультимодальн бюметричн системи, побудоваш на поеднанн! декшькох бюметричних технологш, таких як розтзнавання вщбитюв пальшв, рис обличчя, голосу i т. д., вщр!зняються високою ефектившстю виявлення несанкцюнованого доступу до пристроïв банювського самообслуговування. А також до пристроïв БД системи охорони здоров'я, мобшьних пристроïв та великоï кшькосл онлайнових i офлайнових додатюв. Тому впровадження мультимодальних бюметричних систем в таких секторах, як охорона здоров'я, банювський, фшансовий сектор, сектор цшних папер!в i страхування, сектор перевезень, автомобшьний транспорт, а також в державному сектор! матиме позитивний вплив на ринок технологш бiометричноï щентифшаци по обличчю.
Weaknesses. Для тдвищення точност iдентифiкацiï можна використовувати зображення кровоносних судин людини. Зображення кровоносних судин - це найбшьш стшка i важко змшювана ознака обличчя. Шляхом сканування зображення обличчя в шфрачервоному свпш створюеться ушкальна температурна ^рта б. иччя - термограма. 1дентифшашя по термограм! забезпечуе показники, як! можна пор!вняти з показниками щентифшаци за вщбитками пальшв, але для забезпечення функцюнування такоï системи необхщно використовувати дороге обладнання. Для установки, каибрування та подальшоï експлуатацп такого обладнання необхщно залучення висококвал!фжованих спешалюпв.
Opportunities. Проведене дослщжеиня можливостей подальшого розвитку систем бiометричиоï щентифкаци особи по обличчю показало, що з пщвищенням надшносп електроииих засвщуючих документа (щентифкацшиих карт) можна прогнозувати вир1виювання якосп поршнюваних зображень. Це обумовлено тим, що шформащя на таких документах представляеться в цифровому вигляда, тобто спрощуеться процес пор1вняиня сформованого цифрового зображення пред'явника картки i записаного на нй щентифкатора (з допуском на характеристику видеокамер i умов зйомки).
vHied i Tket Research (США) пророкуе зростання ринку систем розтзнавання облич до 9,6 млрд. дол. до 2022 року при середньому темп! зростання 21,3 % в рк. Лидером ринку, за прогнозами, стане США. 3D-технологп займуть бшьшу частину ринку в пор!внянт з 2D, а ринок програмного забезпечення буде рости на 23,9 % щор!чно до 2022 року [6].
Виробники швестують значш кошти в науковД дослДдження i розробку систем бюметрично!' Ддентифшацн по обличчю. ОчДкуеться, що це значно прискорить розвиток таких систем за рахунок Ддентифшацн якДсних параметрДв обличчя (шрамДв, довжини носа, форми вуха, виразу обличчя, визначення вДку чи статД людини).
У зв'язку зД зростаючою потребою в шдвищенш рДвня безпеки в Сврош очДкуеться стшке зростання використання систем бюметрично!' щентифшаци по обличчю. За оцДнками маркетингово!' компанй' GIA (США), обсяг сегмента свДтового ринку технологш щентифкаци по обличчю i голосу може досягти до 2018 р. 2,9 млрд. дол., а за оцшкою агентства MarketsandMarkets - 6,5 млрд. дол.
АналДтики GIA вважають, що зростання потреби в застосуванш бюметрн (в тому числД технологш щентифжацн по обличчю i голосу) сприятиме посиленню штересу до забезпечення безпеки i протистояння терористичним атакам, насильству на расовому та етшчному грунтД, злочинностД та Днших протиправних дш. Для сегмента технологш бюметрично1' Ддентифшацн по обличчю загальносвДтовий показник CAGR складе 19 % (за оцшкою GIA) i 27,7 (за оцшкою MarketsandMarkets).
АналДтики MarketsandMarkets вважають, що в першу чергу сприятимуть прогресу ринку потреби державних структур, а також триваюче поширення систем вДдеоспостереження. КрДм того, на думку авторДв роботи, непоганД можливост вДдкривае застосування розглянутих технологш в пристроях споживчо1' електронДки i мобтьних гаджетах. Не виключено, що подальший розвиток отримають «хмарнД» сервДси, заснованД на бюметричнш щентифкаци по обличчю [2].
Threats. Незважаючи на сучасний рДвень фото- та вДдеотехшки системи Ддентифжаци по зображенню облич Дстотно поступаються системам аналДзу вДдбиткДв пальцДв або зображення райдужно1' оболонки.
8. Висновки
1. ВизначенД вимоги та фактори, що впливають на ознаки i характеристики об'екта системи бюметрично1' Ддентифжаци людини по обличчю. Насамперед це мшливють вДзуальних образДв, проектування тривимДрних об'ектДв, кшьюсть i розташування джерел свДтла, колДр i штенсивнють випромшювання, тДнД або вДддзеркалення вДд навколишшх об'ектДв. ВирДшення проблеми виявлення об'еклв на зображеннД лежить в правильному виборД опису об'ектДв, для виявлення i розшзнавання яких створюеться система. До такого вибору вДдносяться: вибДр мДж 2D i 3D-представленням сцени i об'екта; вибДр мДж описом об'екта як единого цшого або як системи; вибДр мДж системою ознак, що описують специфДку об'екта.
2. ПроаналДзовано особливостД класДв та властивостД задач розшзнавання людини по обличчю. Для класу задач пошуку зображення в великих БД, одне з рДшень полягае в зберДганш в БД невеликих наборДв заздалепдь визначених ключових ознак, що максимально характеризують зображення. Налаштовуючи систему, що автоматично вирДшуе задачД по контролю доступу, для зменшення ймовДрностД неправильно!' Ддентифшацп, можна передбачити використання декДлькох зображень, що належать однш людиш (з варДацДями), аж до
пор!вняння вщеопослщовностей деяких певних рухтв голови i м!м!чних м'яз!в обличчя. Ршення завдання паспортного контролю вимагае використання метод!в розтзнавання, як! базуються на деформацп одного зображення з метою перетворення його в шше i оцшщ «зусиль», необхщних для ïï виконання.
3. Розроблено узагальнений алгоритм автоматичного виявлення та щентифшаци людини по обличчю. Представлена схема узагальненого алгоритму складаеться з дев'яти простих кроюв i враховуе особливост щентифшаци з використанням фото- та вщеозображень. Перевага алгоритму полягае в простот реалiзацiï, яка дозволяе, вже на етат проектування системи iдентифiкацiï, швидко ощнити працездаттсть системи шляхом анал!зу внутрiшньоï взаемодп ïï елеменлв.
Лггература
1. Jain, A. K. Biometrics: Personal Identification in Networked Society [Text] / ed. by A. K. Jain, R. Bolle, S. Pankanti. - Springer US, 1999. - 411 p. doi: 10.1007/b117227
2. Biometricheskaia identifikatsiia (mirovoi rynok) [Electronic resource] // Tadviser. - May 29, 2017. - Available at: \www/URL: http://www.tadviser.ru/index.php/Статья:Биометрическая_идентификация_(миров ой_рынок)
3. Lukashenko, V. M. Systemnyi analiz biometrychnykh datchykiv vidbytkiv paltsia dlia systemy upravlinnia dostupom lazernoho tekhnolohichnoho kompleksu [Text] / V. M. Lukashenko, T. Yu. Utkina, O. S. Verbytskyi, D. A. Lukashenko, S. A. Mitsenko, O. V. Nechyporenko // Visnyk ChDTU. - 2012. - No. 4. - P. 29-34.
4. Lukashenko, V. M. Sravnitel'nyi analiz spetsializirovannyh sistem upravleniia dostupom na baze biometirii [Text] / V. M. Lukashenko, O. S. Verbitskii, S. A. Moshchenko, Yu. Yu. Tereshchenko, E. P. Lukatskaia // Materiаly VI Miedzynarodowej naukowi-praktycznej konferencji «Nauka i wyksztaicenie bez granic - 2010», 7-15 grudnia 2010, Przemysl, Poland. - Przemysl: Nauka i studia, 2010. - Vol. 22. - P. 9-12.
5. Ionova, A. Tehnologii raspoznavaniia lits ili feiskontrol' po-umnomu [Electronic resource] / A. Ionova // Novosti Interneta veshchei. - February 28, 2017. - Available at: \www/URL: https://iot.ru/gorodskaya-sreda/tekhnologii-raspoznavaniya-lits-ili-feyskontrol-po-umnomu
6. Tehnologii biometricheskoi identifikatsii [Electronic resource] // Tadviser. -August 25, 2017. - Available at: \www/URL: http://www.tadviser.ru/index.php/Статья:Технологии_биометрической_идентифи кации
7. Kuharev, G. A. Metody obrabotki i raspoznavaniia izobrazhenii lits v zadachah biometrii [Text] / G. A. Kuharev, E. I. Kamenskaia, Yu. N. Matveev, N. L. Shchegoleva; ed. by M. V. Hitrov. - Saint Petersburg: Politehnika, 2013. -388 p.
8. Hrulev, A. Sistemy raspoznavaniia lits. Sostoianie rynka. Perspektivy razvitiia [Electronic resource] / A. Hrulev // Sistemy bezopasnosti. - 2012. - No. 1. -
Available at: \www/URL: http://secuteck.ru/articles2/videonabl/sistemi-raspoznavaniya-lic
9. Korpan, Ya. V. Metody filtratsii shumu pry obrobtsi tsyfrovoho zobrazhennia [Text] / Ya. V. Korpan, O. V. Nechyporenko // Materialy XII Miedzynarodowej naukowi-praktycznej konferencji «Dynamika naukowych badan - 2016», 07-15 lipca, 2016, Przemysl, Poland. - Przemysl: Nauka i studia, 2016. - Vol. 13. - P. 17-21.
10. Korpan, Ya. V. Analiz vykorystannia tekhnolohii zmenshennia shumiv na zobrazhenni pry identyfikatsii i avtentyfikatsii obiekta [Text] / Ya. V. Korpan, O. V. Nechyporenko // Zbirka naukovykh prats IV Naukovoi konferentsii «Fundamentalni ta prykladni doslidzhennia u suchasnii nautsi», 30 zhovtnia 2016, Kharkiv, Ukraine. - Kharkiv: Technology Center, 2016. - P. 90.
11. Tropchenko, A. A. Metody vtorichnoi obrabotki i raspoznavaniia izobrazhenii [Text]: Handbook / A. A. Tropchenko, A. Yu. Tropchenko. - Saint Petersburg: Universitet ITMO, 2015. - 215 p.
12. Glazunov, A. Komp'iuternoe raspoznavanie chelovecheskih lits [Electronic resource] / A. Glazunov // Otkrytye sistemy. - 2000. - No. 3. - Available at: \www/URL: https://www.osp.ru/os/2000/03/177945/
13. Savvides, M. Face Verification using Correlation Filters [Text] / M. Savvides, B. V. K. V. Kumar, P. Khosla // CMU Electrical & Computer Engineering. - Available at: \www/URL: http://www.ece.cmu.edu/~kumar/Biometrics AutoID.pdf
14. Marcel, S. On the Recent Use of Local Binary Patterns for Face Authentication [Text] / S. Marcel, Y. Rodriguez, G. Heusch // International Journal of Image and Video Processing, Speci Al Issue on Facial Image Processing. - 2007. -Available at: \www/URL: http://www.idiap.ch/~marcel/professional/publications/marcel-iiivp-2007.pdf
15. Li, S. Z. Handbook of Face Recognition [Text] / S. Z. Li, A. K. Jain. -London: Springer, 2011. - 699 p. doi:10.1007/978-0-85729-932-1
16. Jafri, R. A Survey of Face Recognition Techniques [Text] / R. Jafri, H. R. Arabnia // Journal of Information Processing Systems. - 2009. - Vol. 5, No. 2. - P. 41-68. doi:10.3745/iips.2009.5.2.041
17. Viola, P. Rapid object detection using a boosted cascade of simple features [Text] / P. Viola, M. Jones // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. - Kauai, Hawaii, USA, 2001. - Vol. 1. - P. 511-518. doi: 10.1109/cvpr.2001.990517
18. Papageorgiou, C. P. A general framework for object detection [Text] / C. P. Papageorgiou, M. Oren, T. Poggio // Sixth International Conference on Computer Vision (IEEE Cat. No.98CH36271). - Narosa Publishing House, 1998. -P. 555-562. doi: 10.1109/iccv. 1998.710772
19. Nechyporenko, O. V. Biometrychna identyfikatsiia i avtentyfikatsiia osoby za heometriieiu oblychchia [Text] / O. V. Nechyporenko, Ya. V. Korpan // Visnyk KhNU. - 2016. - No. 4. - P. 133-138.
20. Samal, D. I. Vybor priznakov dlia raspoznavaniia na osnove statisticheskih dannyh [Text] / D. I. Samal, V. V. Starovoitov // Tsifrovaia obrabotka zobrazhenii. -1999. - P. 105-114.
21. Samal, D. I. Algoritmy identifikatsii cheloveka po fotoportretu na osnove geometricheskih preobrazovatelei [Text]: PhD thesis / D. I. Samal. - Minsk: ITK NANB, 2002. - 167 p.
22. Chellappa, R. Human and machine recognition of faces: a survey [Text] / R. Chellappa, C. L. Wilson, S. Sirohey // Proceedings of the IEEE. - 1995. - Vol. 83, No. 5. - P. 705-741. doi:10.1109/5.381842
23. Bryliuk, D. Application of Recirculation Neural Network and Principal Component Analysis for Face Recognition [Text] / D. Bryliuk, V. Starovoitov // The 2nd International Conference on Neural Networks and Artificial Intelligence. -Minsk: BSUIR, 2001. - P. 136-142. - Available at: \www/URL: http: //neuroface. narod.ru/files/npca. pdf
24. Kong, H. Generalized 2D principal component analysis for face image representation and recognition [Text] / H. Kong, L. Wang, E. K. Teoh, X. Li, J.-G. Wang, R. Venkateswarlu // Neural Networks. - 2005. - Vol. 18, No. 5-6. -P. 585-594. doi:10.1016/j.neunet.2005.06.041
25. Samaria, F. S. Face Recognition Using Hidden Markov Models [Text]: PhD thesis / F. S. Samaria. - Engineering Department, Cambridge University, 1995. -Available at: \www/URL: https://www.repository.cam.ac.uk/handle/1810/244871
26. Samal, D. I. Metodika avtomatizirovannogo raspoznavaniia liudei po fotoportretam [Text] / D. I. Samal, V. V. Starovoitov // Tsifrovaia obrabotka zobrazhenii. - Minsk: Institute of Technical Cybernetics of the National Academy of Sciences of Belarus, 1999. - P. 81-85.
