Методы распознавания изображения лица человека по цветовым признакам и идентификации личности на основе скрытых марковских моделей в системах видеонаблюдения

• Автор: Двойной, Илья Ростиславович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Пенза
• Количество страниц: 150 с. : ил.

СОДЕРЖАНИЕ
Введение

1 Методы автоматической идентификации личности человека по изображению лица

1.1 Обзор существующих методов

1.2 Классификация признаков, используемых при автоматической сегментации изображения

1.2.1 Геометрические признаки

1.2.2 Топологические признаки

1.2.3 Вероятностные признаки

1.2.4 Спектральные признаки

1.2.5 Цветовые признаки

1.3 Методы обработки и анализа изображений в задачах машинного зрения

1.3.1 Метод главных компонет
1.3.2 Линейный дискриминантный анализ
1.3.3 Гибкие контурные модели
1.3.4 Сравнение эластичных графов
1.3.5 Методы, основанные на геометрических признаках лица
1.3.6 Скрытые марковские модели
1.4 Оценка эффективности применения алгоритмов машинного зрения в системе видеонаблюдения
1.5 Постановка задач исследования
2 Метод сегментации изображения лица человека по цветовому признаку
2.1 Анализ особенностей цвета кожи человека
2.2 Дополнительные признаки, характеризующие область лица: волосы,
глаза, зубы
2.3 Алгоритм классификации пикселей
2.4 Определение границ объектов, попавших в область переднего плана
2.5 Графы смежности областей изображения

2.6 Селекция выделенных областей по геометрическим признакам
2.7 Метод оценки эффективности использования цветовых пространств
для сегментации по цветовому признаку
2.8 Разработка специализированного цветового пространства
2.9 Выбор цветового пространства
2.10 Выводы
3 Метод распознавания личности человека по изображению лица на
основе скрытых марковских моделей
3.1 Выбор структуры СММ
3.2 Выбор оптимальных признаков, формирующих алфавит скрытой марковской модели
3.3 Обучение СММ
3.4 Алгоритм поиска соответствий в базе данных
3.5 Выбор оптимальных параметров СММ для решения задачи распознавания личности
3.6 Выводы
4 Моделирование разработанных алгоритмов
4.1 Средства разработки
4.2 Требования к аппаратно-программной платформе
4.3 Требования к исходным данным
4.4 Описание аппаратно-программного комплекса
4.5 Оценка полученных результатов
4.6 Перспективы развития системы
4.6.1 Реализация на языке высокого уровня
4.6.2 Отслеживание перемещения
4.7 Выводы
Заключение
Список сокращений
Список литературы
Приложение А. Акты о внедрении

ВВЕДЕНИЕ
Актуальность темы. Возросший за последнее время уровень социальной напряженности в связи с непрекращающейся угрозой террористических атак усиливает роль технических средств видеоконтроля, устанавливаемых в местах повышенной концентрации людей (стадионы, станции метро, вокзалы и т.п.). В настоящее время системы видеонаблюдения применяются преимущественно для фиксации происходящих событий с целью обеспечения проведения возможных следственных действий. Актуальным является использование систем видеонаблюдения также для осуществления превентивной функции, заключающейся в своевременном автоматическом выявлении находящихся в розыске лиц, ранее причастных к организации беспорядков, порче общественного имущества и т.п. Особую роль для реализации подобных систем играют способы распознавания личности по изображению лица человека.
Существующие подходы к решению задачи установления личности человека по изображению лица во многом были сформированы в 80-х годах прошлого века. Несмотря на большое количество ежегодно выходящих посвященных данной теме публикаций, решение указанной задачи по-прежнему требует совершенствования аппаратных и программных средств с целью улучшения временных и вероятностных характеристик процесса идентификации.
Наиболее полный обзор существующих алгоритмов технического зрения приводится в работах таких ученых, как Дуда Р., Харт П. [9], Шапиро Л., Стокман Д. [30], Форсайт Д., Понс Ж. [29], Прэтт У. [75], Розенфельд А. [22], Федотов Н.Г., Сальников И.И. [48] и др.
Отличительной особенностью сложившегося подхода к распознаванию изображений является использование единого признака как для сегментации изображения на составляющие объекты, так и для последующей классификации объектов, следствием чего, как правило, оказываются высокая вычислительная сложность алгоритмов распознавания и наличие жестких ограничений на условия
для линий головы, ушей, губ, носа, бровей и глаз. Контуры представлены ключевыми позициями, между которыми положения точек, принадлежащих контуру, вычисляются интерполированием. Для локализации контуров в различных методах используется как априорная информация, так и информация, полученная в результате анализа тренировочного набора изображений.
Как правило, положение ключевых точек на тренировочном изображении задается вручную [38]. Затем происходит извлечение информации об интенсивности пикселей, лежащих на линии, перпендикулярной контуру для каждой точки контура. При поиске контуров нового лица применяется подход с использованием целевой функции из двух составляющих. Первая из них максимизируется при соответствии интенсивностей пикселей, извлечённых на перпендикулярной контуру линии, аналогичным пикселям из тренировочной выборки. Вторая - при совпадении контура с формой контуров тренировочных примеров [39].
Главной задачей при распознавании по контурам является правильное выделение этих контуров. В общем виде эта задача по сложности сравнима с собственно задачей распознавания изображений. Кроме того, использование этого метода самого по себе для задачи распознавания недостаточно.
1.3.4 Сравнение эластичных графов
В методе сравнения эластичных графов [40] лицо представляется в виде графа, вершины которого расположены на ключевых точках лица, таких как контуры головы, губ, носа и пр., а также на крайних точках элементов лица (рисунок 1.13).
Каждая грань графа помечена расстояниями между её вершинами. В каждой такой точке вычисляются комплексные коэффициенты Габоровых функций при различных частотах и ориентациях. Набор таких коэффициентов {][} называется джетом.