CC BY
40
6. Епифанцев Б.Н. Альтернативные сценарии авторизации при идентификации пользователей по динамике подсознательных движений / Б.Н. Епифанцев, П.С. Ложников, А.Е. Сулавко // Вопросы защиты информации / ФГУП «ВИМИ». - 2013. - № 2. - С. 28-35.
7. Скуратов С.В. Использование клавиатурного почерка для аутентификации в компьютерных информационных системах // Безопасность информационных технологий - 2010. - № 2. - С. 35-38.
8. Ilonen J.Keystroke Dynamics // Lappeenranta University of Technology. -2008.
9. Гузик В.Ф. Биометрический метод аутентификации пользователя / В.Ф. Гузик, М.Н. Десятерик // Известия ТРТУ Технические науки. - 2000. -№ 2. - С. 129-133.
10. Еременко Ю.И. Идентификация пользователя по его клавиатурному почерку / Ю.И. Еременко, Ю.С. Олюнина // Сборник материалов Двенадцатой Всероссийской научно-практической конференции с международным участием «Современные проблемы горно-металлургического комплекса. Наука и производство». - 2015. - С. 147-151.
МЕТОДЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЛИЦ В СИСТЕМАХ БЕЗОПАСНОСТИ1
© Ефимов И.Н.*, Косолапов А.М.*
Самарский государственный университет путей сообщения, г. Самара
В работе приведён сравнительный анализ эффективности существующих методов распознавания человека по изображению лица. Приведённые методы возможно использовать в биометрических системах безопасности и контроля доступа. Приведены результаты экспериментальных исследований.
Ключевые слова методы распознавания образов, метод главных компонент, метод сравнения эталонов, метод оптического потока, метод сравнения эластичных графов, нейросетевые методы.
Введение
Методы автоматического распознавания лиц находят все большее применение в биометрических системах безопасности, контроля и управления доступом пользователей. При разработке биометрических систем распозна-
1 Работа поддержана грантом фонда содействия развитию малых форм предприятий («У.М.Н.И.К.» I полугодие, Самара, 2014).
* Аспирант кафедры «Информационные системы и телекоммуникации».
* Доктор технических наук, профессор.
вания пользователей по изображению лица необходимо понять, как распознаёт лица человек. Изучение процесса распознавания лиц человеком может помочь понять основные аспекты. Однако человек для распознавания лиц использует больше информации, чем искусственные системы. Человеческая система распознавания лиц использует данные, полученные от различных органов чувств. Во многих случаях косвенные признаки, такие как фон, причёска, мимика и т.д., также играют важную роль в распознавании лица человека. Описанные данные трудно учитывать системам машинного распознавания, т.к. подобных данных и их комбинаций существует большое множество. Тем не менее, процесс распознавания доставляет некоторые трудности и для человека. Человеку затруднительно запомнить большое количество лиц. Ключевым преимущество систем машинного обучения является её почти неограниченная память [16].
Глаза, рот, нос, контуры лица определены как наиболее важные признаки для восприятия и запоминания лиц. Кроме того, было обнаружено, что верхняя часть лица является более полезной для распознавания, чем нижняя. Так исследования по направленности освещения показали [5], что людям проще распознавать лица, освещённые сверху-вниз, чем лица, осве-щённые снизу-вверх. Кроме того, эстетические характеристики (например, красота, привлекательность, приятность и т.д.) играют важную роль при распознавании лиц - более привлекательные лица легче запоминаются. Указанные аспекты необходимо учитывать при создании искусственных систем распознавания лиц.
Методы автоматического распознавания лиц
Существует большое количество принципиально различных методов, позволяющих определить личность человека по изображению лица. Главными критериями оценки методов являются вычислительная стоимость алгоритмов и вероятность правильного распознавания. Ниже приведены наиболее часто используемые методы распознавания лиц.
Одним из первых признаков, по которым происходит распознавание лиц -это геометрические характеристики лица. Впервые признак применялся в криминалистике. Далее была разработана компьютерная система, использующая геометрические характеристики лица. Суть метода состоит в выделении комплекта антропометрических точек и дальнейшем сравнении расстояний между точками. Комплекты точек выбираются исследователем эмпирическим путём. Ключевыми точками являются уголки глаз и рта, центры зрачков и бровей и т.п.
Процесс распознавания заключается в сравнении признаков распознаваемого лица с признаками из БД. Вероятность правильного распознавания зависит от наиболее точного нахождения антропометрических точек. Задача точного нахождения антропометрических точек относится к трудоёмким и
вычислительно затратным задачам. В данном методе важно, чтобы изображение лица человека было без помех. Поэтому процесс предобработки изображения является важнейшим из этапов в методе. В работе [9] использовали вейвлеты Габора для обнаружения антропометрических точек на изображении лица. Количество антропометрических точек равнялось 35-45. Вероятность правильного распознавания образов составила 86 %. Геометрические сопоставления характеристик лица наиболее полезно для поиска возможных совпадений в сравнительно большой БД. Для применения метода выдвигаются следующие требования к условиям съёмки: отсутствие направленного освещения, нейтральное выражение лица, отсутствие посторонних предметов, пересекающих область лица.
Метод сравнения эталонов (Template Matching) [6], основывается на сравнении регионов лица. Каждый совпавший регион увеличивает меру сходства изображений. Один из недостатков метода сравнения эталонов является его вычислительная сложность. Другая проблема заключается в описании этих регионов. Система распознавания должна быть инвариантна к расхождениям между эталонным и распознаваемым изображением.
Метод главных компонент (МГК) описан исследователем Карлом Пирсоном в 1901 году. МГК является методом сокращения размерности избыточных данных. МГК используется в методе Eigenface, который представлен Тюрком и Пентландом в 1991 году [14]. В методе Eigenface для всех изображений лиц в БД производится процесс вычисления первых главных компонент. Далее запускается процесс сопоставления изображений, заключающийся в сравнении главных компонент распознаваемого изображения и изображений из БД. Изображение считается распознанным, если имеет наименьшее значение функции расстояния. Для Eigenface необходимо создать условия, приближенные к идеальным: единый уровень освещённости, однотипное выражение лица, отсутствие предметов, перекрывающих части лица и т.д. При несоблюдении указанных условий метод не сможет корректно определять межклассовые вариации. Тюрк и Пентланд применили Eigenface на БД из 2500 изображений лиц 16 субъектов, полученных с разными ракурсами съёмки, размерами объекта и условиями освещения. Эксперименты доказали, что система была довольно устойчивой к изменениям масштаба, но результаты резко ухудшались при изменении освещения объекта.
Далее приведены различные работы, использующие МГК. Могхаддам и Пентланд использовали МГК для распознавания и сжатия изображений. В работе [11] приведён метод кодирования, сжатия и распознавания изображений лиц для приложений видео-телефонии. Могхаддам и Пентланд объявили о получении хороших результатов (одно неправильное определение) при экспериментах на 150 фронтальных изображениях БД FERET. Байесовский МГК, предложен Могхаддам в соавторстве [10]. Проверка и испытания систем на основе байесовского МГК проводилась на БД FERET. Могхаддам утверждал, что экспериментальные результаты демонстрируют простоту и
вычислительную производительность метода. В работе [8] предложен метод для обнаружения и распознавания лиц на сложном фоне, с применением МГК. В [2] исследователи предложили использовать МГК и фильтры Габо-ра вместе для преодоления недостатков метода МГК. В первой части метода, с помощью фильтров Габора, извлекаются черты лица на исходном изображении. Далее, для распознавания лиц используется МГК.
В 1996 году исследователями метод линейного дискриминантного анализа (линейный дискриминант Фишера) был предложен для распознавания лиц [4]. Цель метода определяется как нахождение оптимальной проекции, которая максимизирует межклассовое расстояние и минимизирует внутриклассовое в пространстве признаков, где рассчитываются собственные вектора. Альтернативный способ, который сочетает в себе МГК и дискрими-нантный анализ изучается в [16].
При увеличении угла поворота головы - вероятность распознавания резко уменьшается. Метод сравнения эластичных графов (Elastic Bunch Graph Matching) позволяет добиться более высокой вероятности правильного распознавания лица человека при повороте головы на угол до 22° по сравнению с предыдущими методами. Для использования метода лицо обозначается в виде графа, вершины которого расположены на антропометрических точках лица: контуры лица, уголки губ, кончик носа, глаза, центры зрачков и т.д. В работе [15] вероятность верного распознавания составила - 86,5 % для поворота на десять градусов и 66,4 % для поворота на тридцать градусов. Метод сравнения эластичных графов превосходит другие методы распознавания с точки зрения инвариантности к повороту головы. Представленный метод имеет высокие вычислительные затраты по сравнению с другими технологиями распознавания образов.
Привлекательность использования нейронных сетей (НС) связано с их нелинейностью. Одной из первых искусственных НС, используемых для распознавания образов, была сеть под названием WISARD [35]. Для распознавания лиц применяются такие архитектуры НС, как многослойный персеп-трон [13] и сверточные НС. В работе [7] предложены гибридные НС, сочетающие в себе самоорганизующейся карты (SOM) и сверточную НС. Вероятность правильного распознавания на базе из 400 изображений составила 96,2 %. В работе [1] использовались вероятностные решения на основе НС. Вероятность распознавания лиц на БД ORL достигала 96 %.
Скрытые Марковские модели (СММ) успешно применяются в приложениях распознавания лиц. Изображение лица делят на регионы и передают на вход СММ. В работе [12] учёные, используя СММ, сообщили о 87 % вероятности распознавания на БД, состоящей из 400 изображений.
Заключение
В табл. 1 представлены результаты работы наиболее часто применяемых методов для распознавания человека по изображению лица.
Таблица 1
Вероятность правильного результата для методов распознавания лица человека
Метод распознавания лица человека Вероятность правильного результата распознавания
Расчёт геометрических характеристик лица[9] 86 %
Метод главных компонент [11] 95 %
Сравнение эластичных графов [3] 90 %
Скрытые Марковские модели [12] 87 %
Сверточные НС [7] 96.2 %
Нейросетевой метод [1] 96 %
Метод сравнения эластичных графов [15] 86,5 %
Список литературы:
1. Belhumeur P.N. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection / P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman // IEEE Trans. Pattern Anal. Mach. Intell. - 1997. - Т. 19, № 7. - Р. 711-720.
2. Chung K. Face recognition using principal component analysis of Gabor filter responses / K. Chung, S. Kee, S. Kim // Proc. Int. Work. Recognition, Anal. Track. Faces Gestures Real-Time Syst. Conjunction with ICCV'99 (Cat. No. PR00378) - 1999.
3. Cox I.J. Feature-based face recognition using mixture-distance, 1996. -Р. 209-216.
4. Etemad K. Face recognition using discriminant eigenvectors / K. Etemad, R. Chellappa // 1996 IEEE Int. Conf. Acoust. Speech, Signal Process. Conf. Proc. -
1996. - Т. 4.
5. Hancock P.J.B. Recognition of unfamiliar faces // Trends Cogn. Sci. -2000. - Т. 4. - № 9. - 330-337с.
6. Lades M. Distortion invariant object recognition in the dynamic link architecture / M. Lades, J.C. Vorbrueggen, J. Buhmann, J. Lange, C. v.d Malsburg, R.P. Wuertz, W. Konen // IEEE Trans. Comput. - 1993. - Т. 42, № 3. - Р. 300-311.
7. Lawrence S. Face recognition: a convolutional neural-network approach / S. Lawrence, C.L. Giles, A.C. Tsoi, A.D. Back // IEEE Trans. Neural Netw. -
1997. - Т. 8, № 1. - Р. 98-113.
8. Lee S.-J. Face detection and recognition using PCA, 1999. - Р. 84-87.
9. Manjunath B.S. A feature based approach to face recognition / B.S. Man-junath, R. Chellappa, C. von der Malsburg // Proc. 1992 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. - 1992.
10. Moghaddam B. Bayesian face recognition / B. Moghaddam, T. Jebara, A. Pentland // Pattern Recognit. - 2000. - Т. 33, № 11. - Р. 1771-1782.
11. Pentland A. View-based and modular eigenspaces for face recognition / A. Pentland, B. Moghaddam, T. Starner // Comput. Vis. Pattern Recognition, 1994. Proc. CVPR '94., 1994 IEEE Comput. Soc. Conf. - 1994.
12. Samaria F. S. Parameterisation of a stochastic model for human face identification, 1994. - P. 138-142.
13. Sung K.-K. Learning human face detection in cluttered scenes, 1995. -P. 432-439.
14. Turk M. Eigenfaces for Recognition // J. Cogn. Neurosci. - 1991. - T. 3, № 1. - P. 71-86.
15. Wiskott L. Recognizing faces by dynamic link matching / L. Wiskott, C. von der Malsburg // Neuroimage. - 1996. - T. 4, № 3, Pt 2. - S14-S18.
16. Zhao W. Discriminant analysis of principal components for face recognition / W. Zhao, R. Chellappa, A. Krishnaswamy // Proc. Third IEEE Int. Conf. Autom. Face Gesture Recognit. - 1998.
