представено в (Hsu et al 2002) Fagnition може да се дефинира като iddividuals fromfaces bd база данни на лица, обозначени с привличане на черти от областите на лицето, и firdlem като фактори като поглъщане и т.н., които влияят на външния вид на индивидите черти на лицето В допълнение към тези вариации на лицето, промените в осветлението, фона и мащаба също правят тази задача още по-предизвикателна Допълнителни проблемни състояния включват шум, оклузия и многобройни фактори През последните две десетилетия бяха предложени много методи за разпознаване на лица, техники, базирани на външен вид методите са много популярни за ефективно справяне с тези проблеми (Chellappa et al 1995) По-специално, linear1990) Определящата характеристика на базираните на външния вид алгоритми е, че те директно се основават на решението. Интензитетите на пикселите, които се използват като характеристики, са представени с помощта на променливи с една стойност, Hface е заловен в различна ориентация, променете, защото
Оценените променливи може да не са в състояние даH∈dbDe2b10: Деня 1993 г., когато данните с интервални стойности се анализират. Следователно, има нужда да се съсредоточат изследователските усилия към извличане на характеристики, които са устойчиви на вариации, дължащи се на промени в ориентацията на осветеността и изражението на лицето чрез представяне изображенията на лицата като символни обекти на променливи от интервален тип (Hiremath Prabhakar 2005) Представянето на faceariations на различни условия на осветление, ориентация и изражение на лицето създава dspace В (Hiremath Prabhakar 2005) е представен символичен PCAподход за разпознаване на лица, в който символичен PCAset на подпространствени базисни вектори за символични лица и след това проектира tкомпресирано подпространство. Този метод изисква по-малък брой функции за постигане на една и съща скорост на кодиране само за статистики от втори ред, т.е. пикселна ковариация между пикселите и зависима от зависимостта на един (повече от два) пиксела в моделите Тъй като тези статистики от втори ред предоставят само частична информация за статистиките както на естествените, така и на човешките лица, те могат да се превърнат в статистика от по-висок порядък като цяло. thethreeelsure important informcognition Ядрото PCA е разширено до символен анализ на данни като символно ядро PCa (Hiremath Prabhakar 2006) за разпознаване на лица и експерименталните резултати показват процент на разпознаване в сравнение със символния PCA метод Разширението на символния анализ до техники за разпознаване на лица, използващи методи, базирани на линеен дискриминант
Фигура 6 Резултати от разпознаване на лице a) Извличане на черта на лицето b) Открито лице в boxntal Резултати Изпълнението на MAtLAB 60 на описаното по-горе време на Pentium iv на 26GHz дава su067D2, (D е разстоянието между очите), което е значително много малко/ извличането на lcopfeature е ограничено само до общата площ, покрита от размера на изображението. Тази намалена зона за търсене води до голяма степен времето за откриване
Примерни резултати от откриване са показани на Фигура 7 и Фигура 8 с открити лица, скрити от коса, много малки размери на лицето, лице, затворено с ръка и твърде тъмна сянка върху лицата Фигура 9le сравнение на различни съвременни детектори, предложени от (Shih и Liu 2004, weneidn и Kanade 2000, че подходът към модела на размито лице, базиран на сегментиране на цвета на кожата (H-D метод, сравним с други по отношение на скоростта на откриване и много нисък както във времето за откриване, така и в falseMethodDet Iime DatasetetectionS-L методMIT-CMUreportedI S-K метод 465I MIT-CMU 125483H- D method02078650Фигура 7 Примерни резултати от откриване на единични, както и на множество човешки лица с размери,
Фигура 8 Примерни изображения с изрази, условия на осветеност, сложен фон Оптимизиране на набори от характеристики Малък набор от геометрични характеристики е достатъчен за facsk, чиито открити характеристики въз основа на модела се нормализират, нормализират вектора на комометричните характеристики се конструира с разстояния, площи, стойности за оценка и размити стойности на членство Нормализация се прави по отношение на разстоянието между окото и се демонстрира, че резултантният вектор е ариант на мащаба, въртенето и изражението на лицето. Този вектор характеризира лицето на всеки човек въпреки промените в въртенето, мащаба и изражението на лицето, което Хендели използва за фасетема, освен това е 1-измерен функция vect, която е с намалена размерност, за да бъде подчинена на другите (turk Pentland, 1991; Belhuet al, 19g7), базирана на 2-dimensiorsets foty пространство In (Hiremath и Danti, декември 2004 г.), методът за оптимизация на Featurented и е описан като беле3
1 Геометрични черти на лицето съдържат общо около 26 характеристики, като 14 проектирани характеристики се определят от проекцията на черти на лицето като вежди, нос, уста и уши. Характеристики на лицето, включващи детектора за лица, базиран на модел на лице с линии на разделимост (Hiremath PS Danti A( Hiremath PS& Danti A, декември 2005 г.) съответно, списъкът с извлечени геометрични черти на лицето е даден в таблицата. Проектирани характеристики, получени b перпендикулярно на диагоналната референтна линия (DRL), както е показано на Фигура 10. DRL е
линията, разполовяваща първия квадрант в равнината HRL-vRl и е геометрично място на точка (x, y), равноотдалечена от HRL и VRL. Уравнението на DRL е дадено от fr+ By+C=0, където коефициентите a, b, и c Описание на характеристиката Описание на характеристиката Стойност на оценка на eve Стойност на оценка на ляво Обща стойност на оценка на theebro Стойност на оценка на дясна вежда Таблица 5 Списък на геометричните характеристики, извлечени от детектиране на лице RLDRLD Характеристики на съотношението на разстоянието Съотношенията на разстоянието се изчисляват, както е описано по-долу. Нека (rK,yx) е центроидът K на k-тата характеристика (напр
g лява вежда на Фигура 10) Нека P е проекцията на точка K върху DRL След това се изчисляват следните разстояния (Перпендикулярно разстояние)(18)(Радиално разстояниеPk-VMK-KPx(Диагонално разстояние
нотация, Rieh обозначава съотношението на разстоянието, получено от проекцията. По същия начин съотношенията на разстоянието Rle, RRe, RRea, RNore RiwRопределено съотношение на разстояние Характеристики в комбинацията dRl се използват за изчисляване на съотношенията на разстоянието за чертите на лицето ReelЛяво око към дясно око)RL(лява вежда към дясно Вежди (от нос към уста) 24) Пясно
(Характеристики на лявото ухо към дясната област, веждите, носа и устата Фигура 11 Зоните на триъгълниците се използват за определяне на фигурата 11(a), et и ez означават съответно дясно и ляво око; (x3,y3), право око, съответно ляво око, нос и уста Фигура 11 Характеристики на триъгълна област (a) Области, образувани от очи, уста (b) Области, образувани от очи и нос; и триъгълната област Aew предно лице и уста се изчисляват като
Тогава зоните, покрити от очите, носа и устата, се дават от уравнението (2711(b), b и b2 означават съответно дясната и лявата вежда, а n и m означават съответно носа и устата Координатите(n, n1)(2 , J2), (*3,33) и (r4, y4) са съответно триъгълника, образуван от Ady и носа; и триъгълната област Adtu, образувана от веждите, са comdet. Тогава съотношението на площите, покрити от веждите, носа и устата, се дава от equation(29Проектираните характеристики са изброени в таблицата 6Описание на характеристиките Описание на характеристиките Ниско съотношение на разстоянието от лявото око REar Отношение на разстоянието от дясното ухоCRew Отношение на разстоянието от дясното око RLewzRew Отношение на разстоянието от лявото и дясното око съотношение на съпротивлението от ляво дясноRObRNmОтношение на разстоянието от носа и устатаROsetio bRLour2Rewr Отношение на разстоянието от ляво ухо и дясно съотношение по уста AEws Съотношение на площта по очи, нос и устаtio по ляво eaAEytroes Съотношение на площ по вежди, нос и Таблица 6 Списък на проектираните характеристикиe 26 характеристики, в които 12 характеристики са от таблица 5 и 14 характеристики са от таблица 63
2 набора от функции за оптимизация Три поднабора функции от 26 функции, които се считат за различни за оптимизиране Поднаборът A, B, C се състои от 14, 6, 14 функции, съответно както е дадено по-долу Поднабор =(Rger, REve reeh, REb, RNoe RMwtk, RLe, RR(30)Подмножество C=(ALeh, AReb, u Nase, Mouth, EEres72)Ereg A веждиВсяко подмножество на функции е оптимизирано от максималните разстояния между класовете и минималните разстояния между моделите на един клас Тук всеки клас представлява един човек
и различните изображения на подредени като шаблони Ефективността на определена от n функция f, както е дадено тук Mi и D, са и дисперсията на стойностите на характеристиките fi foMu и Meratio на дисперсията на стандартните отклонения на извадката и на бъркотията на извадката За илюстрация база данни, която съдържа 40 предмета или класа и всеки от 10 вариации
Стойностите на фигурите по оста y са plg по оста x. По-ниската F стойност indngerofe подмножество от функции cll оптимизирана с най-ниските F стойности в сравнение с tod, следователно съответства на по-добро подмножество от характеристики: 2 Фигура 12 Оптимизиране на подмножества Горната функция Подмножество C е считани за най-оптимизирания геометричен вектор на характеристиките. Относителните геометрични разстояния между чертите на лицето като очи, нос, уста и вежди варират пропорционално по отношение на мащаба, въртенето и израженията на лицето, и тяхната характеристика вал оптимизирания вектор на характеристиките3 илюстрира инвариарната
характерни вектори за изображенията, показани на Фигура 13(a) Фигура 13(b), характерни вектори показват незначителни вариации в характеристиката4)Разнообразни3) Завъртяно изразяванеmФигура 13 Илюстрация на свойството за инвариантност a)Различни изображения на едно и също лице b)ture векториd разпознаване на лица, човешко лице, описано с няколко функции, характеристики имат различни разпределения, характеристиките винаги ще имат заслугата за намаляване на огромното пространство, което обикновено се изисква в лицето, представят значително скоростта на завъртане (Zhao et00) В (Hiremath и Danti, януари 2006 г.), геометричният-Gabor извличането на характеристики се предлага за разпознаване на лица и е описано в този раздел4 1 Gemetric-Gabor функция Извличане на разпознаване на лицегеометрични характеристики и характеристики на Gabormbin n focognition
Театурният набор (Подмножество C) се счита за Geomes за разпознаване на лица и функциите=(ulcb, FRebANav,AErne Gabor характеристикиgabor филтрите на лицевите черти, получени от нашия детектор за лица, и тези местоположения се считат за Gabor характеристики, тъй като процесът на извличане е даден локалната информация около местоположенията на чертите на лицето се получава от Gaborsinusoid, модулиран от 2D функция на Гаус и честота. Филтрите на Gabor приличат на рецептивните профили на полето на ориентация, радиална честотна лента и честота. Ограничената локализация в пространството и честотата дава известна степен на бюст срещу транслация, изкривяване, ротация и мащабиране, функциите на Габор
analvsis, two-dimensional discriminansis, Independeanalysis, factorialdiscriminant analysis and kernel diskriminant analysis has been Прабхакар декември 2006 г., януари 2006 г., август 2006 г., септември 2006 г., 2002 г. Съвсем очевидно е, че литературата за разпознаване на лица е метод, разглеждащ широк кръг от проблеми на откриване и разпознаване на лица Въпреки това, целта на изследването в настоящата глава е моделирането на несигурността в представянето на чертите на лицето, обикновено възникваща поради вариациите в условията на човек, които се улавят, както и вариациите в личностната формация като възраст, сесия или настроението на лицето по време на заснемането. Два подхода, а именно, размит геометричен подход
и символичен dnalysis, за разпознаване на лица, се разглеждат за моделиране на несигурността на информацията. Режимът на размито лице за разпознаване на лице In (Hiremath и Danti, декември 2005 г.), откриването на множество фронтални човешки лица на базата на извличане на черти на лицето, използвайки модела на размито лице и размитите правила, се предлага методът за деформиране на кожата, при който 2D хроматично пространство CbCr с използване на елементи Cb и Cr, получена чрез техника за вземане на проби Всеки потенциален регион на лицето след това се проверява за лице, като първоначално се търсят очите и след това моделът на размитото лице се конструира от разделяне на социалната област на квадранти чрез две референтни линии, начертан модел на размито лице с помощта на размитите правила и след това лицето се открива чрез процеса на дефузификация Преглед на този размит геометричен21 Колонен превод (Hal2002) Hkin цвят, с изключение на много черно цветово пространствоВземане Предимството на това kngions са сегментирани с помощта на цветовото пространство на кожата, както следва. Цветно пространство на кожата. Цветовият модел YCbCr се използва за изграждане на пространството на цвета на кожата. Той включва всички възможни региони на цвета на кожата на лицето, с изключение само на хроматичните цветови компоненти Cb и Cr, използващи сигма контролните граници( Hiremath и Danti, февруари 2006 г.) Пространството на цвета на кожата procedurId е описано по следния начин изображенията са в RGB цветове Цветовите условия rgb и следователно осветеността не са разделени RGB в ycbCr (ain A K 2001) Пространството на цвета на кожата е разработено, като се вземат предвид големите изрязани изрязани кожи на лицето ръчно от вашите изображения на много расови хора Skinmples след това се филтрират с помощта на нискочестотен филтър от 2001 г.), за да се премахнат шумовете.
горни контролни граници на стойностите на пикселите за хроматичния червен и син цвят, определени въз основа на половин сигма граници с помощта на уравнението (1)(1-)2/ce A с размер m x H, където c означава цветната равнина (т.е. червено и синьото и стандартното отклонение на студа uc съответно се използват като прагови стойности за определяне на пикселите на кожата, както е дадено по-долу1, ако)&(lcb≤Cb(x,y)≤wcb)тук и Ch(r, v) са хроматичните червено и синьо на пиксела at(xin червените и bldanes на теста. Следователно долните andntrol граници lcl и ucl за червени и цветове, могат да трансформират колимаж в двоично изображение на кожата P, така че белите и черните пиксели да принадлежат към некожата област като shee Фигура 1(b) изчисляване на долната и горната контролна граница, експерименталните резултати показват, че обратното, в границите a, вероятността за пропускане на пиксели на кожата на лицето между пикселите на кожата на лицето и зоната
В експериментите контролните граници на gma са достатъчно гъвкави, за да поемат умерените вариации на осветлението в резултат на това, резултатите от сегментирането на цвета на кожата са показани на Фигура 1(b). Сегментирането на цвета на кожата води до по-бърз процес на разпознаване на лица като арка за чертите на лицето са сравнителни различни методи за сегментиране на цвета на кожата са показани в таблица 2Color componenMeanStd, D1555146ble 1 статистически
把Danti, февруари 2006), c)RGB (метод Wang-Yuan), d) HSV (метод Bojic), e)YCbCr (метод Chainethod), f) YUV (метод Yao), g) YIQ (метод Yao) Skin coAvg timefeatureskin areael (Chai& ngan 1999)'CbCr(Hiremath& Danti, февруари 2006)001372ble 2
Сравнение на време, сегментирана област на кожата и брой кандидат черти на лицето в методите за цветова сегментация; полученото по-горе бинарно сегментирано изображение на кожата се обработва предварително чрез извършване на двоична операция за отваряне за премахване на изолирани шумни пиксели Освен това, бели области
съдържат черни дупки, тези черни дупки могат да бъдат с всякакъв размер и са запълнени напълно Theinary изображението на кожата е етикетирано с помощта на алгоритъма за етикетиране на региона и техните характерни моменти,8, дължината на основната ос, дължината и площта на малката ос, се изчисляват (ain, A K, 2001; Gonzalez, RC, et al, 2002) Чрез степените на наблюдение в случай на изображения на лицево лице
Само такива региони се запазват в регионите на по-нататъшното лице и се премахват от двоичното изображение на кожата. Наблюдението на няколко реални лица също така разкрива, че съотношението на височината към ширината на всеки регион на лицето е приблизително 2, винаги когато площта на лицето е по-малка от 500 пиксели Следователно, регионите, чиято площ е по-голяма от Получените бинарни skinace региони (F1g ng и прилагането на горните ограничения се очаква да съдържат потенциал測P2a) Оригинално изображение b) изображение в сива скала c) Филтриран Sobel Binar22 Разпознаване на лица Всеки регион на лицето в grayhethers на извличане на черти на лицето размити правила (Hiremath2005) Воденият процес за разпознаване на лица, ich открива множество лица във входно изображение, е описан на Фигура 3 Сегментиране на цвета на кожата Получаване на региони на лицето Изберете регион на лицето, търсене на очи и конструиране на модел Fuzzyface по отношение на очите, търсене, възпроизвеждане на открити лица в Boxesf професионалистът за разпознаване на множество лица
обработване на лицевия регион потенциалният регион на лицето се филтрира с помощта на ръба на Sobel, филтриран бинаризиран с помощта на прост глобален праг и след това етикетиран. за всеки блок черта на лицето, неговият център8, ограничаващ правоъгълник и дължината на извличане на естетика с полу-голяма ос (ain,AK2001) Характеристиките на потенциалната област на лицето в етикетираното изображение се оценяват по реда на това коя комбинация от характеристики и процедурата не е на лицето Всички блоковете за характеристики се оценяват за очи. Първоначално произволно се избират всеки два блока за характеристики като вероятни кандидати за очи Нека(*iyi)и (=2
2) бъде съответно, елементите на десния функционален блок и левия функционален блок. Линията, минаваща през центъра на двата функционални блока, се нарича хоризонтална референтна линия (HRL), както е показано на Фигура 4d, се дава от уравнението ( )и ъгълът на наклона L между HRL и II QuadraQuadrant Фигура 4 Размит модел на лице с опорни области за вежди, нос и където3) Ъгълът на наклона Burl между HRL и оста x е даден чрез модел, лице в твърде изкривена ориентация не се разглежда в това модел Следователно, ъгълът на наклона BHrt е ограничен в рамките на обхвата двойка характеристики блокове не удовлетворява това ограничение за ориентация, след това на функционални блокове от останалите характеристики блокове за съвпадение Само за приетите двойки характеристики, нормализираните дължини на mi основната ос h и Iz се изчисляват чрез разделяне на дължината на полуразстоянието d между тези две характеристики. Разстоянието d е
Нека 6 и e са ориентациите на приетите по-горе функционални блокове. Оценката EEumuted с помощта на eq(6), за да се провери дали текущата двойка характеристики е потенциална двойка очи или неEE на отрицателното експоненциално разпределение, експериментиране за оптимизиране на по-висока степен на откриване с фалшиви откривания Следователно, високата стойност на оценката EEw по-висока е вероятността двата избрани блока характеристики да бъдат избрани докове. За потенциален кандидат за двойка очи се конструира моделът на размито лице и другият лицев признак се търси на пазара на модел на размито лице. Предполага се, че всеки hume seInal 2002) Моделът на размитото лице е конструиран по отношение на горната потенциална линия, перпендикулярна на hrl при) Нека (p q) е от двата кандидата за очи. Тогава уравнението на VR1 е дадено от уравнение (7) (7 Тези две референтни линии (HRL и VRL ) се използват за пътека на лицевите вежди, носа и устата, оценени по отношение на разстоянието d между центровете на двете предни точки въз основа на наблюденията от няколко изображения на лица, VEwhnny, Nowe и Vlwh означават вертикалните разстояния на центровете на веждите, т.е. и уста от HRL, които се оценяват на 0
3D, 0 6D и 1OD съответно Зонталните разстояния на устата на ced от vrl, които оценяват 5D 005D и oIDe области на черти на лицето, които ограничават зоната за търсене на черти на лицето. Това завършва изграждането на модел на размито лице по отношение на избраната потенциална двойка очи кандидат в дадения показан на Фигура 4 Освен това моделът на размитото лице се използва, за да се определи кои Търсене на вежди, нос и уста. Процесът на търсене продължава, за да се локализират другите потенциални черти на лицето, имена вежди, нос и уста по отношение на горния потенциален кандидат за двойка очи След това тези поддръжка на regionsustration, ние вземаме функцията на лявата вежда като пример за търсене Нека функция блокира K
да е потенциална характеристика на лявата вежда Хоризонталното разстояние htert и вертикалното разстояние uut на центроида на функцията Ka от VRL и HRL, съответно, се изчисляват с помощта на(8)ертикални разстояния Хоризонтални разстояния002024065045Mouh045135090154030300010Таблица 3 Емперично определени разстояния на чертите на лицето( нормализирани от D)количества за повторение на потенциалната характеристика на лявата вежда, стойностите на размитата принадлежност Am и A, съответно, се дефинират с помощта на трапецовидна размита функция на принадлежност, по-специално, функцията на принадлежност A,, се дефинира с помощта на уравнението (9) и таблица 3muxe= "n)(B≤wПо подобен начин е дефинирана функцията на принадлежност A,
Поддържащият регион за потенциалната характеристика на лявата вежда е наборът от стойности ht и uleb, чиито стойности на размита принадлежност не са o. Фигура 5(a) показва графиката на трапецовидната размита функция на принадлежност u, за вертикалното разстояние на j h характеристика и опорната област за лявата вежда е показана на фигура 5(b) За да се оцени Kh характерен блок в опорната област за лявата вежда, стойността на функцията за оценка Ex се дава от уравнението (10) Стойността Ex варира от 0 до 1 и представлява вероятността, че блокът K е ляво око Vk▲VRLVертикално хоризонтално разстояние (hure 5 Трапецовидна размита функция на принадлежност u, за вертикалното разстояние на j-тата черта на лицето b) Поддържащ регион за лявата вежда в I квадрант на режима на лицето
D/2По подобен начин стойността на оценката се изчислява за всички функционални блокове, предварително зададени от стойности на Ex с техните съответни размити стойности на членство. Axстойност pLeh, съответстваща на Ewe, се получава от мин.-макс. размит compoYuan 2000), даден от уравненията (11) и (12) Функционалният блок с оценките, отговарящи на utat, намерени в опорната област на лявата вежда, е по същия начин, дясната вежда, техните съответни опорни точки, определени чрез подходящо дефиниране на размитите разстояния (хоризонтални и вертикални) от центроида на характеристиките и тяхната размита цялостна размита оценка E за моделът на размитото лице се дефинира като претеглената сума от стойностите на размитата оценка на потенциалните черти на лицето, а именно за дясната вежда, носа и съответно теглото, коригирано към дадено в уравнението (13) Стойността на принадлежност Wg, съответстваща на E, се получава от E=04E0 2ENom (13)4)d за всеки кандидат за чифт очи за poal и вземете набора от размити лица. Тези размити лица са представени от набора от E стойности с техните съответни A5re от една E стойност, съответстваща на ue максимум сред тези lues е дефузифицираната стойност за оценка Ep на лице
И накрая, праговата стойност на потенциалните характеристики на очите, редовете, носа и устата 07 В противен случай тази област на лицето се отхвърля. Резултатите от откриването на лица са показани на Фигура 6, където (a) показва извличането на характеристиките, при което чертите на лицето са показани в ограничаващи полета (ain 2001) и (b) показва открито лице в правоъгълна кутия, (Hiremath PS& Danti A, февруари 2006 г.) Горната процедура се повтаря за всеки