解释者:人脸识别

人类经常使用面孔来认识到过去几十年的计算能力,现在可以自动启用类似的识别。早期面部识别算法使用简单的几何模型,但识别过程现在已经成熟到了复杂的数学表征和匹配过程中的科学。过去10年至15年的主要进步和举措将面部识别技术推进到聚光灯中。面部识别可用于验证和识别(开放式和闭合集)。

自动面部识别是一个相对较新的概念。在20世纪60年代开发,第一个用于面部识别的半自动系统需要管理员在将照片上定位在照片上的特征(如眼睛,耳朵,鼻子和嘴巴),然后计算到公共参考点的距离和比率与参考数据相比。在20世纪70年代,使用特定主观标记,例如毛发颜色和唇缘以自动识别。

这两个早期解决方案的问题是手动计算测量和位置。1988年,开发了一种新的应用原理分析,以及标准的线性代数技术,以解决人脸识别问题。这被认为是有些里程碑,因为它表明需要少于100个值来准确地编码适当对齐和归一化的面部图像。

1991年,科学家发现,在使用特征缺陷技术的同时,可以使用剩余误差来检测图像中的面部 - 发现能够实现可靠的实时自动面部识别系统的发现。虽然这种方法有所受到环境因素的限制,但它仍然为进取自动面部识别技术的发展创造了重大兴趣。该技术首先将公众注意于2001年1月超级碗的媒体反应对媒体反应的关注,该公司捕获了监控图像并将其与数字Mugshots的数据库进行了比较。该示范启动了关于如何使用该技术来支持国家需求的急需分析,同时考虑到公众的社会和隐私问题。如今,人脸识别技术正在习惯于打击护照欺诈,支持执法,确定失踪儿童,并尽量减少福利/身份欺诈。

面部识别问题有两个主要方法:几何(基于特征)和光度法(基于视图)。随着研究人员对面部识别的兴趣持续,开发了许多不同的算法,其中三个在人脸识别文献中进行了很好地研究:主要成分分析(PCA),线性判别分析(LOA)和弹性束图匹配(EBGM)。

PCA.,通常被称为使用特征文件,是在1988年开创的技术。通过PCA,探头和画廊图像必须具有相同的大小,必须首先归一化以排列在图像中的受试者的眼睛和嘴。然后使用PCA方法通过数据压缩基础降低数据的维度,并揭示面部图案的最有效的低尺寸结构。尺寸的这种减小除去了没有用的信息,并且精确地将面部结构分解成正交(不相关的)组件被称为eIgenfaces的组件。每个面部图像可以表示为实体剩余的加权和(特征向量),其存储在1 d阵列中。通过测量各自的特征向量之间的距离,将探测图像与图库图像进行比较。PCA方法通常需要每次呈现完整的正面;否则,图像会导致性能不佳。该技术的主要优点在于它可以减少识别各个以1 I 1的数据所需的数据。

线性判别分析(LDA)是一种基于具有已知类别的训练样本来分类未知类样本的统计方法。该技术旨在最大化 - 类(即,跨越用户)方差,并最小化课程内(即,在用户中)方差。在处理高尺寸面数据时,该技术面临着小的样本尺寸问题,其中与样本空间的维度相比有少量可用的训练样本。

弹性束图匹配(EBGM)依赖于以下概念:真实的面部图像有许多非线性特征,这些特征是前面讨论的线性分析方法无法解决的,例如光照的变化(室外照明vs室内日光灯)、姿势(站直vs俯身)和表情(微笑vs皱眉)。Gabor小波变换创建了一个动态链接结构,将立面投射到一个弹性网格上。Gabor射流是弹性网格上的一个节点,在下面的图像中用圆圈表示,它描述了图像围绕给定像素的行为。它是图像与Gabor滤波器卷积的结果,Gabor滤波器用于检测形状和利用图像处理提取特征。卷积表示函数的重叠量,将函数混合在一起。识别是基于Gabor滤波器响应在每个Gabor节点上的相似性。这种基于生物学的使用Gabor过滤器的方法是在高等哺乳动物的视觉皮层中执行的过程。这种方法的难点是需要精确的路标定位,而这有时可以通过结合主成分分析和LDA方法来实现。

来源:国家科学与技术委员会(NSTC)

文章主题

|||||

注释

发表评论

本网站使用AkisMet减少垃圾邮件。了解如何处理评论数据

大多数本周读书

特色公司

生物识别研究

生物识别白纸白皮书

生物识别事件

解释生物识别