+ All Categories
Home > Documents > Recunoastere Faciala - Sisteme de recunoastere faciala

Recunoastere Faciala - Sisteme de recunoastere faciala

Date post: 29-Jan-2016
Category:
Upload: dogaru-mugur
View: 197 times
Download: 8 times
Share this document with a friend
Description:
Recunoastere Faciala - Sisteme de recunoastere faciala - Facial recognition
14
Identificarea persoanei prin Sisteme de Recunoaştere Facială Person Identification with Face Recognition Systems Inspector principal de poliţie, specialist criminalist DOGARU Mugurel INSTITUTUL NAŢIONAL DE CRIMINALISTICĂ, I.G.P.R. Rezumat: Recunoaşterea facială este folosită în criminalistică pentru identificarea persoanelor necunoscute, în sistemele de securitate pentru verificarea identităţii unei persoane sau chiar acasă pentru a-ţi aranja colecţiile cu fotografii. Articolul îşi propune să prezinte o parte din „secretele” din spatele procesului de identificare facială. Cuvinte Cheie: forensic, biometric, facial recognition, automated systems, identification, algorithms. Abstract: Facial recognition is used in forensics to identify unknown persons, in security systems to verify the identity of persons or in your home to arrange collections of photos. The paper aims to present some of the "secrets" behind the facial identification process. Key words: criminalistică, biometric, recunoaştere facială, sisteme automate, identificare, algoritmi. I. Introducere Un sistem de recunoaștere facială este o aplicație computerizată prin intermediul căreia se poate realiza identificarea sau verificarea în mod automat a unei persoane cu ajutorul unei imagini digitale sau a unui cadru preluat de la o sursă video. Una dintre modalitățile de a face o recunoaștere facială este prin compararea caracteristicilor faciale selectate dintr-o imagine indicată și o bază de date ce cuprinde imagini faciale. Această aplicație este de obicei folosită în domeniul sistemelor de securitate și poate fi alăturată cu succes altor
Transcript

Identificarea persoanei prin Sisteme de Recunoaştere FacialăPerson Identification with Face Recognition Systems

Inspector principal de poliţie, specialist criminalist DOGARU MugurelINSTITUTUL NAŢIONAL DE CRIMINALISTICĂ, I.G.P.R.

Rezumat: Recunoaşterea facială este folosită în criminalistică pentru identificarea persoanelor

necunoscute, în sistemele de securitate pentru verificarea identităţii unei persoane sau chiar acasă pentru a-ţi aranja colecţiile cu fotografii. Articolul îşi propune să prezinte o parte din „secretele” din spatele procesului de identificare facială.

Cuvinte Cheie: forensic, biometric, facial recognition, automated systems, identification, algorithms.

Abstract:Facial recognition is used in forensics to identify unknown persons, in security systems

to verify the identity of persons or in your home to arrange collections of photos. The paper aims to present some of the "secrets" behind the facial identification process.

Key words: criminalistică, biometric, recunoaştere facială, sisteme automate, identificare, algoritmi.

I. IntroducereUn sistem de recunoaștere facială este o aplicație computerizată prin intermediul căreia

se poate realiza identificarea sau verificarea în mod automat a unei persoane cu ajutorul unei imagini digitale sau a unui cadru preluat de la o sursă video. Una dintre modalitățile de a face o recunoaștere facială este prin compararea caracteristicilor faciale selectate dintr-o imagine indicată și o bază de date ce cuprinde imagini faciale.

Această aplicație este de obicei folosită în domeniul sistemelor de securitate și poate fi alăturată cu succes altor sisteme precum cele de identificare a amprentelor sau a irisului unui ochi.

Algoritmi de recunoaştere facială

Unii algoritmi de recunoaștere facială identifică caracteristicile faciale prin extragerea unor repere sau a unor caracteristici de la o imagine a feței subiectului. De exemplu, un algoritm poate analiza poziția relativă, mărimea, și/sau forma ochilor, a nasului, a pomeților, și a maxilarului. Aceste caracteristici sunt apoi folosite pentru a căuta alte imagini cu caracteristici asemănătoare. Alți algoritmi organizează o galerie cu imagini faciale și apoi comprimă caracteristicile feței, salvându-le doar pe acelea care sunt utile pentru recunoașterea feței. O imagine de probă este apoi comparată cu caracteristicile feței. Unul dintre cele mai vechi sisteme de succes se bazează pe tehnica de potrivire a șablonului aplicată la un set de caracteristici faciale esențiale, oferind un fel de reprezentare comprimată a feței.

Algoritmii de recunoaștere facială pot fi încadrați în două abordări principale, cea geometrică care are în vedere caracteristicile distinctive, sau cea fotometrică, care este o abordare statistică ce descompune o imagine în valori pe care le compară cu șabloane pentru a elimina diferențele.

Printre algoritmii populari de recunoaștere facială se numara Principal Component Analysis, folosind eigenfaces, Linear Discriminate Analysis, Local Feature Analysis, Elastic Bunch Graph Matching folosind algoritmul Fisherface, modelul Hidden Markov, Multilinear Subspace Learning.

Un trend nou în curs de dezvoltare, cu ajutorul căruia poate fi obținută o precizie îmbunătățită, este cel tridimensional de recunoaștere facială. Această tehnică utilizează senzori 3D pentru a capta informații despre forma unei fețe. Aceste informații sunt apoi utilizate pentru a identifica trăsăturile distinctive de pe suprafața unui chip, cum ar fi conturul orbitelor, al nasului, și al bărbiei1. Slăbiciuni sistemelor de recunoaştere facială

Recunoașterea facială nu este o activitate perfectă și întâmpină anumite dificultăți dacă nu este efectuată în anumite condiții. Recunoașterea facială poate fi realizată cu succes în cazul imaginilor frontale sau întoarse cu cel mult 20 de grade (imagini semi-profil), dar în cazul fotografiilor din profil, o identificare poate fi obținută cu dificultate.

Printre alte condiții care îngreuneză obținerea unei recunoașteri faciale se numără iluminarea slabă, existența unor ochelari de soare, părul lung, sau alte obiecte care acoperă parțial fața subiectului, dar și imaginile cu rezoluție scăzută. Imaginile cu rezoluție mică pot fi îmbunătățite folosind face hallucination. Cu toate că în ultimii ani s-au obținut îmbunătățiri în domeniul rezoluției prin utilizarea camerele megapixel performante, acestea contribuind la rezolvarea problemei rezoluției scăzute dar, costul ridicat al acestor camere constituie încă un dezavantaj semnificativ.

Face hallucination reprezintă o super-rezoluție a imaginilor faciale, sau o clarificare a detaliilor unei fețe dintr-o imagine cu rezoluție mică. Aceasta poate presupune utilizarea tehnicii sparse coding. De asemenea, pot fi folosite diferite metode de bază de descompunere, cum ar fi nonnegative matrix factorization (NMF) și Principal Component Analysis (PCA). Face hallucination a devenit un domeniu de cercetare datorită importanței imaginilor faciale în cazul sistemelor de recunoaștere facială sau a altor aplicații2.

Un alt dezavantaj major este reprezentat de faptul că multe sisteme de recunoaștere facială sunt mai puțin eficiente în cazul în care expresiile faciale variază. Chiar și un zâmbet larg poate face, uneori, sistemul mai puțin eficace. De exemplu: Canada permite acum doar expresii faciale neutre în fotografiile de pașaport.

Există, de asemenea, inconstanță în seturile de date utilizate de către cercetatori. Cercetătorii pot folosi un număr diferit de subiecți sau imagini, de la câțiva subiecți la zeci de subiecți, precum și de la câteva sute de imagini la mii de imagini. Este important ca cercetatorii să pună la dispoziție seturi de date unul altuia, sau au cel puțin să creeze un set de date standard.

II. Algoritmi de recunoaştere facială

Algoritmii comerciali moderni, cu excepția celor pentru analiza texturii pielii, au avut la bază cercetarea universitară de la acea perioadă. Dintre familiile originale de algoritmi, doar două au supraviețuit testelor de-a lungul timpului. Altele, cum ar fi implementarea manualului inițial al algoritmului Eigenface, deși promițătoare la început, au fost în imposibilitatea de a scala în ceea ce privește acuratețea și toleranța la variațiile de lumină și poziție, și astfel au fost abandonate de către furnizorii comerciali.

Primul dintre algoritmii de mai sus a fost dezvoltat de cercetatorii de la laboratorul lui Joseph J. Atick de la Universitatea Rockefeller din New York. Lucrarea scrisă de către Penio S. Penev și Dr. Atick se numește Local Feature Analysis: O teorie statistică generală pentru reprezentarea obiectului (Computation in Neural Systems 7 (1996), 477-500). Imaginea facială este în primul rând normalizată în ceea ce privește iluminarea și punctele de reper, iar apoi este împărțită într-o serie de regiuni. Regiunile sunt apoi scalate, transformate și comparate pixel-cu-pixel. Cu cât sunt mai similare zonele, cu atât mai mare este scorul de potrivirei și, prin

urmare, cu atât este mai mare probabilitatea ca cele două imagini să aparțină aceluiași individ. În cadrul unei testări timpurii a furnizorilor de sisteme de recunoaștere facială realizată de guvernul SUA, numită FERET (Facial Recognition Technology), această abordare s-a dovedit a depăși toți ceilalți algoritmi din acea perioadă, în ceea ce privește acuratețea. Sub numele original Local Feature Analysis (LFA), algoritmul a fost dezvoltat în mod activ de către MorphoTrust SUA și predecesorii săi Visionics, Identix și L-1 Identity Solutions în biroul lor din New Jersey, cu Dr. Atick încă implicat în furnizarea direcției strategice de dezvoltare a tehnologiei. Mai recent, NEC din Japonia a comercializat un algoritm asemănător cu unul dintre brevetele atribuite lui Dr. Penev, student absolvent al lui Dr. Atick de la Rockefeller și co-autor al lucrării inovatoare pe analiza caracteristică locală.

Algoritmul Local Feature Analysis (LFA)

Cel de-al doilea algoritm a fost influențat de ideile cercetătorilor din grupul Profesorului von der Malsburg de la Rurh-Universitatea din Bochum, Germania, exprimate prima dată într-o lucrare de L. Wiskott, JM Fellous, N. Kuiger și C. von der Malsburg numită Face recognition by elastic bunch graph matching. Colegii și studenții Prof. von der Malsburg au avut un impact impresionant asupra industriei de comercializare a metodei printr-o serie de întreprinderi, inclusiv Viisage/ZN (acum parte a algoritmilor MorphoTrust), Cognitec Systems, Neven Vision (acum parte a Google/Picasa și fondat de Hartmut Neven, un student absolvent al lui Prof. von der Malsburg), C-VIS (acum parte din Cross Match). Inițial numit Elastic Bunch Graph Matching, variante ale algoritmului au în prezent un număr de nume comerciale, printre care Hierarchical Graph Matching (HGM) la MorphoTrust. În primul rând, o hartă grafică este montată pe reperele normalizate ale feței, și apoi puncte de reper sunt calculate folosind transformarea wavelet și comparate între cele două imagini.

Algoritmul Hierarchical Graph Matching (HGM)

În cazul tuturor algoritmilor comerciali se regăsesc doar una din cele două metode originale, singura excepție fiind mult mai recentul algoritm de recunoaștere a texturii pielii, patentat de MorphoTrust, care compară ridurile pielii, porii, cicatricile si alte artefacte, brevetate de MorphoTrust. Acest algoritm încă nu poate fi folosit în aplicațiile criminalistice de recunoaștere facială întrucât aceasta necesită o rezoluție ridicată a imaginii obținute de la locul faptei, lucru care este rareori disponibil. Cu toate acestea, acest algoritm poate avea aplicații în viitor datorită rezoluției mai mari a camerelor video comerciale. Caracteristica unică a acestui algoritm este că imaginea doar a unei mici porțiuni de piele a feței, reprezentând 10% din suprafața totală a pielii feței, poate fi suficientă pentru identificare.

Cei mai mari furnizori au petrecut ani întregi pentru perfecționarea treptată a algoritmilor pentru a depăși provocările reprezentate de rezoluția mică, postură sau expresia feței, iluminatul neuniform, sau alte limitări. Îmbunătățirile se aplică nu numai în cazul algoritmului de potrivire de bază, ci și la preprocesarea automată a imaginilor înainte de creația template-ului.

În ciuda tuturor îmbunătățirilor, în mod conceptual, algoritmii păstrează multe din beneficiile și dezavantajele lor originale, și astfel, algoritmii din cadrul celor două familii principale sunt extrem de corelați; rezultatele căutării se vor suprapune într-o mare măsură tipurilor similare de algoritmi de la furnizori diferiți. Cu toate acestea, algoritmii din două clase diferite se corelează mult mai puțin. Dându-și seama de natura complementară a claselor de algoritmi LFA și HGM, motorul de căutare ABIS® de la MorphoTrust le aplică pe amândouă într-un proces de căutare secvențială. Căutarea se face în două sau mai multe etape: prima HGM și apoi LFA, fuzionând rezultatele. În mod esențial, fuziunea se face la nivelul caracteristicilor algoritmului de bază, utilizând scorurile normalizate la performanța generală anticipată a algoritmului. Această flexibilitate algoritmică este unică în industrie. 3

III. Programe informatice uzuale care includ recunoaşterea facială Programe informatice uzuale care au capacitatea de recunoaștere facială: • digiKam (KDE) • iPhoto (Apple) • Picasa (Google) • Picture Motion Browser (Sony) • Windows Live Photo Gallery (Microsoft) • Proiectul de cercetare DeepFace cu produsul "Tag Suggestions" (Facebook)

Software-ul de recunoaştere facială al Facebook

Sistemele de recunoaștere facială sunt folosite pentru a debloca software-ul de pe telefoanele mobile, tablete sau notebook-uri. O aplicație din Android Marketplace (Google Play) dezvoltată în mod independent, numită Vision Applock folosește camera foto integrată a telefonului pentru a face o fotografie a utilizatorului. Recunoaștere facială este utilizată pentru a asigura că numai această persoană poate folosi anumite aplicații pe care le alege să le securizeze.

Detectarea feței și recunoașterea facială sunt integrate în aplicația iPhoto pentru Macintosh/Apple, și în Picasa (software gratuit de la Google), pentru a ajuta utilizatorii să își organizeze colecțiile lor de fotografii.

Software-ul de recunoaştere facială al Picasa

iPhoto – recunoaştere facială

De asemenea, în plus față de uzanțele biometrice, camerele digitale moderne încorporeaza adesea un sistem de detectare a feței, care permite camerei să se concentreze și să măsoare expunerea pe fața subiectului, garantând astfel un portret de calitate al persoanei fotografiate. Unele camera includ în plus un senzor pentru detectarea zâmbetului (smile

detection), sau fac în mod automat o a doua fotografie, dacă cineva a închis ochii în timpul fotografierii.

IV. Standarde internaţionale pentru recunoaşterea facială

Standardizarea este o parte vitală a progresului pieței și reprezintă stadiul actual al tehnicii. Se lucrează mult atât la nivelul național cât și internațional al organizațiilor de standardizare pentru a facilita interoperabilitatea și formatele de transfer a datelor, ceea ce va facilita imbunatățirea tehnologiei pe o platformă standardizată.

ANSI / INCITS şi ISO 19794-5 Face Recognition Data Interchange Format sunt cele mai importante standarde de recunoaștere a feței și abordeză examinarea detaliată a imaginilor faciale umane, verificarea umană a identității, și identificarea și verificarea automată a feței. Aceste standarde permit interoperabilitatea între furnizorii sistemelor de recunoaștere facială. Standardele au stabilit o imagine frontală definită și sunt împărțite în subcapitole care abordează imagini frontale și obținerea de imagini pentru bazele de date. (O imagine completă frontală este definită ca o imagine întoarsă cu cinci grade față de centru.) Aceste standarde nu folosesc alte imagini, cum ar fi cele din semi-profil sau cele nedefinite dar asigura ca imaginile vor îndeplini un standardele de calitate necesar, atât pentru recunoașterea facială automată cât și pentru controlul uman al imaginilor faciale. La nivel internațional se lucrază pentru a actualiza standardele pentru imagini faciale în format 3D.

ANSI / NIST-ITL 1-2000 este, de asemenea, în curs de actualizare pentru a include mai multe informații calitative pentru imagini faciale la Type-10. De asemenea, există activitate corespondentă la nivel internațional pentru a oferi îndrumare fotografilor cu privire la modul de a captura cele mai bune imagini faciale pentru o recunoaștere automată. Aceste standarde facilitează, de asemenea, utilizarea informațiilor feței în aplicațiile care au stocare limitată (de exemplu, pașapoarte, vize, permise de conducere).

Alte standarde, cum ar fi INCITS 398-2005 Common Biometric Exchange Formats Framework (CBEFF), se ocupă în mod special cu elementele de date utilizate pentru a descrie datele biometrice într-un mod comun. INCITS 358-2002 BioAPI Specification definește Application Programming Interface and Service Provider Interface ca o interfață standard de tehnologie biometrica. Organizațiile internaționale de standardizare continuă să lucreze la progresul standardelor într-o direcție care facilitează creșterea, avansare, și interoperabilitatea.4

V. Teste cu sisteme de recunoaştere facialăLa nivelul Institutului Național de Criminalisică s-au desfășurat o serie de testări cu două

soluții de recunoaștere facială destinate agențiilor guvernamentale și oferite de Safran-Morphotrak (MFI-MorphoFaceInvestigate)5 și Cognitec (FaceVACS DBScan)6. Ambele sisteme de recunoaștere facială au avut rezultate bune și foarte bune.

Safran-Morphotrak (MFI-MorphoFaceInvestigate)

Cognitec (FaceVACS DBScan)

1 http://en.wikipedia.org/wiki/Facial_recognition_system2 Ce Liu , Heung-Yeung Shum , William T. Freeman , Computer Science and Artificial Intelligence Laboratory (CSAIL),

Massachusetts Institute of Technology, Microsoft Research Asia -

http://people.csail.mit.edu/celiu/FaceHallucination/fh.html3 Law Enforcement Applications of Forensic Face Recognition by MICHAEL PETROV, PHD Director, Advanced Solutions

in Morphotrust, www.morphotrust.com4 http://www.fbi.gov/about-us/cjis/fingerprints_biometrics/biometric-center-of-excellence/modalities/facial-

recognition5 https://www.morphotrak.com/MorphoTrak/MorphoTrak/CJ/mt_mor_face.html

6 http://www.cognitec.com/facevacs-dbscan.html


Recommended