UNIVERSITATEA „POLITEHNICA” DIN BUCUREȘTI

FACULTATEA TRANSPORTURI

Departamentul Sisteme Telematice De Transport

Recunoastere faciala

Masterand
Iasmina-Costinela IONEL

București
2020
Cuprins

INTRODUCERE 1
1. ANALIZA SISTEMELOR DE RECUNOAȘERE FACIALĂ....................................2
1.1 ALGORITMI DE RECUNOAȘTERE FACIAL......................................................................2
1.2 UTILIZAREA CORELAŢIEI NUMERICE ÎN RECUNOAȘTEREA FACIALĂ............................7
Capitolul 1. Introducere
Recunoașterea automata a fetei umane este o problema foarte complexa
rezolvata de oameni cu o pereche de senzori foarte complex- ochii, si cu procesorul
lor principal creierul. Rezultatul de recunoaștere a identitații folosind sisteme
automate este un process foarte complex, deoarece mecanismele folosite de creierul
nostru pentru a le rezolva sunt inca insufficient cunoscute.
Sisteme robuste de recunoaştere a feţei au devenit din ce in ce mai utile in
ultima perioada pentru a ajuta la combaterea criminalităţi, lupta impotriva
terorismului, autentificare pentru accesul utilizatorului în spaţiile fizice şi virtuale
pentru a asigura o mai mare securitate acestora.
Însă identitatea unei persoane este reprezentată nu de actele oficiale pe care
le deţine, ci de un set extins, complex, variabil în timp şi nu întotdeauna uşor de
definit de trăsături personalizate, de natură anatomică, fiziologică sau
comportamentală.
Adesea, aceste condiţii în mare măsură diferite afectează performanţa
sistemelor de recunoaştere a feţei în special atunci când sistemele de recunoaștere
trebuie să potrivească imagini din baze de date de scară mare. Această performanţă
scăzută a sistemelor de recunoaştere a feţei împiedică utilizarea în aplicaţii reale la
scară largă(deşi multe sisteme au fost implementate, utilizarea şi acurateţea lor se
limitează la anumite scenarii operaţionale), unde erorile ca Rata de Falsa Acceptare
(FAR) şi Rata de Falsă Respingere (FRR), sunt luate în considerare în faza de
proiectare a sistemului. FAR este probabilitatea ca sistemele să accepte în mod
incorect o persoană neautorizat, în timp ce FRR este probabilitatea ca sistemele sa
respinga în mod eronat o persoană autorizată.

1
Capitolul 2. ANALIZA SISTEMELOR DE
RECUNOAȘERE FACIALĂ
2.1 Algoritmi de recunoaștere facial

Literatura despre prelucrarea digitală a imaginilor (DIP) în limba engleză

foloseşte diferite exprimări, ce se acoperă parţial reciproc, pentru a desemna acest
domeniu de interes. Din perspective diferite, exprimările întâlnite curent sunt: object
recognition, pattern recognition, pattern / template matching, image recognition,
pattern / image classification. În limba română acestor sintagme le corespund
următoarele traduceri sau echivalări: recunoaşterea formelor, recunoaşterea
obiectelor, recunoaşterea şi clasificare imaginilor, analiză de imagini, unde noţiunea
de pattern (şablon, model, formă primară) este tradusă mai ales prin cuvîntul cu
înţeles general - formă.

Din punct de vedere al creşterii complexităţii metodelor şi operaţiilor implicate

există
următoarea incluziune logică evidentă: forme ⊂ obiecte ⊂ imagini. Dacă vrem să
facem distincţie între termenii de mai sus, ordinea firească de abordare teoretică a
lor ar trebui să fie (pe nivele de complexitate):

1 1. recunoaşterea formelor,
2 2. recunoaşterea obiectelor,
3 3. recunoaşterea / clasificarea imaginilor.

În modelarea matematică a problemei recunoaşterii formelor există şi abordări

teoretice care eludează această ordine logică. De exemplu, abordarea cu metode
matematice statistice a recunoaşterii, face abstracţie de incluziunea structurală a
formelor în obiecte (cu forme complexe) şi a obiectelor în imagini (conţinînd mai
multe obiecte). Într-o astfel de modelare întreg procesul se reduce la un unic nivel al
recunoaşterii, ce conţine la modul sintetic cele trei nivele de mai sus. Un exemplu
semnificativ este metoda de recunoaşterea statistică a imaginilor/obiectelor pe baza
conţinutului lor cromatic.

Recunoaşterea formelor şi clasificarea imaginilor – modelare teoretică. Aşa

cum am spus deja, pentru a se face distincţie clară între problema recunoaşterii din
perspectiva prelucrării digitale a imaginilor şi aceeaşi problemă din perspectiva
inteligenţei artificiale şi roboticii, terminologia de specialitate folosită în limba engleză
este pattern recognition şi mai puţin object recognition.
Chiar dacă vom folosi expresii ca recunoaşterea formelor, recunoaşterea
obiectelor sau clasificarea imaginilor, în continuare ne vom referi doar la ceea ce
literatura engleză de specialitate numeşte pattern recognition.
Recunoaşterea formelor şi/sau clasificarea imaginilor este un proces ce are la
bază un model în patru paşi sau etape. Chiar dacă în sistemele automate de
recunoaştere şi clasificare etapele nu apar întotdeauna ca fiind separate, ele vom fi
în continuare prezentate distinct.

2
 Literatura de specialitate grupează modelele şi metodele generale de
recunoaştere şi clasificare în patru mari categorii sau strategii, denumite abordări
(pattern recognition approaches):
1 A. Recunoaşterea prin potrivirea cea mai bună (template matching approach);
2 B. Recunoaşterea prin metode statistice (statistical approach);
3 C. Recunoaşterea cu ajutorul reţelelor neuronale (neural networks approach);
4 D. Recunoaşterea sintactică sau structurală (syntactic or structural approach);

Algoritmii de recunoaştere a feţei pot fi clasificate în două mari categorii în

funcţie de schemele de extragere a trasaturilor pentru reprezentarea faciala: metode
bazate pe extragerea de trasaturi si metode bazate pe extragerea aspect general
Proprietăţile şi relaţiile geometrice cum ar fi zonele, distanţele şi unghiurile
dintre puncte de pe fata sunt folosite ca descriptori de recunoaştere a feţei. Pe de
altă parte, metodele bazate pe aspectul ia în considerare proprietăţile globale ale
modelului de intensitate a imaginii fetei.
Algoritmii de recunoaştere a feţei bazati pe aspectul general procedează la
calcul vectorilor de bază, pentru a reprezenta datele fatei cat mai eficient. În etapa
următoare, chipurile sunt proiectate pe aceşti vectori şi coeficienţi lor de proiecţie pot
fi utilizati pentru a reprezentarea imaginile faciale. Algoritmi populari, cum ar fi PCA,
LDA, ICA, LFA, Filtre de corelație, Manifolds şi Tensorfaces se bazează pe aspectul
feţei. Abordări holistice ale recunoaşterii feţei au probleme la prezenta variaţiilor de
poziție. Construirea de „mozaicuri ale imaginilor faciale”, cum ar fi cele din .....a fost a
avut ca scop rezolvarea problemei variaţiei poziției Eigenfaces(PCA). Eigenfaces, de
asemenea, cunoscut sub numele de Analiza Componentelor Principale (PCA) este,
poate, cea mai veche şi mai bine cunoscută dintre tehnicile de analiză multivariată.
Ea este semnalată în diverse lucrări sub numele de “analize Karhunen-
Loeve”, în oceanografie ca „analize EOF” (Empirical Orthogonal Funcțion) iar în
matematică sub denumirea de „analize SVD” (Singular Value Decomposition).
Obiectul principal al metodei este studiul valorilor varianţei şi a corelaţiei fără a
construi noi variabile.
Are scopul de a găsi eroarea minima pentru maparea unui spatiu N-dimensional intr-
unul Mdimesional( M<<N).
Analiza Discriminatorie liniara (LDA). Analiza Discriminatorie liniara (LDA) este
mai potrivita pentru gasirea de proiecții care discriminează mai bine diferite clase.
Face asta prin cautarea vectorilor de proiecti optimi care sa maximizeze raportul de
distributie intre clase si in clase.

De obicei atunci când se lucrează cu imagini faciale numărul de imagini de

invatare este mai mic decât numărul de pixeli ai unei imagini, astfel în clasa împrăştia
matrice SW este singular cauzează probleme pentru LDA .La abordeze această
problemă realizează pentru prima data APC pentru a reduce dimensionalitatea date,
în scopul de a depăşi această problemă, singular-matrice şi apoi se aplică LDA în
acest mic-dimensional APC subspaţiu. Îmbunătăţirea rezultatelor de recunoaştere a
fost demonstrate prin această abordare tradiţională de peste APC.

Există 2 abordări majore pentru a obţine informaţia caracteristică unei feţe, cu

avantaje şi dezavantaje specifice, ce pot fi folosite pentru extragerea “semnăturilor”
de interes atât pentru aplicaţii de recunoaştere cât şi pentru cele de verificare,
diferenţe apărând datorită tipului de clasificator utilizat:

3
 Schema-bloc a unui sistem de recunoaştere/verificare a feţelor

a) algoritmi bazaţi pe analiza statistică a imaginilor disponibile, al căror scop constă

în identificarea unei baze reprezentative în raport cu care să poată fi exprimată orice
imagine sub forma unei combinaţii liniare de vectori ai bazei. Din această categorie
fac parte metode precum Analiza pe Componente Principale (PCA), Analiza
Discriminatorie Liniară (LDA) şi Analiza pe Componente Independente (ICA).

b) algoritmi bazaţi pe măsurarea unor trăsături geometrice referitoare la distanţe între

puncte semnificative de pe suprafaţa feţei. Ca exemple putem enumera metodele
Elastic Bunch Graph Matching şi Local Feature Analysis.
Câteva studii recente trec în revistă tendinţele actuale din acest domeniu, printre
care menţionăm:
- extensii de tip nucleu (kernel) ale unor metode clasice de proiecţie pe subspaţii
liniare, care au condus la apariţia algoritmilor de tip Kernel PCA/LDA/ICA - algoritmi
bazaţi pe utilizarea unor reprezentări folosind baze cu bună localizare spaţială,
respectiv metode urmărind descompunerea feţelor în componente distincte (gupate
în jurul unor puncte reprezentative precum ochii, nasul, gura – denumite generic
puncte fiduciale) - analiza imaginilor 3D şi aplicarea tehnicilor de morfism (care
urmăresc generarea unor imagini virtuale ale unei persoane pornind de la un set de
imagini captate din unghiuri neconvenabile)

- un număr semnificativ de articole recente au ca element comun abordarea bazată

pe modelarea şi aproximarea distribuţiei spaţiale a imaginilor reprezentând feţe
umane sub forma aşa-numitelor varietăţi matematice (manifolds). Alte aspecte
interesante se referă la asigurarea unei toleranţe sporite în raport cu numeroasele
surse de variabilitate specifice acestor aplicaţii (grad de iluminare variabil, poziţie,
transformări geometrice, acoperire parţială), elaborarea unor metode capabile să
ofere performanţe rezonabile în condiţiile existenţei unor baze de date de dimensiune
redusă, detecţia automată a punctelor fiduciale. Alte aspecte interesante se referă la
asigurarea unei toleranţe sporite în raport cu numeroasele surse de variabilitate
specifice acestor aplicaţii (grad de iluminare variabil, poziţie, transformări geometrice,
acoperire parţială), elaborarea unor metode capabile să ofere performanţe rezonabile
în condiţiile existenţei unor baze de date de dimensiune redusă, detecţia automată a
punctelor fiduciale. Înţelegerea profundă a conţinutului informaţiei despre imaginile
care reprezintă feţe umane este o cerinţă fundamentală pentru succesul oricărui
sistem performant de recunoaştere sau verificare şi se poate dovedi folositor şi în
alte aplicaţii de recunoaştere a formelor (pattern recognition). Enumerăm în
continuare principalele aspect critice referitoare la acest subiect prezentându-le ca
pe un sumar de întrebări fundamentale şi indicând soluţiile raportate în literatură.

4
 Aspecte specifice aplicaţiilor de recunoaştere/verificare a feţelor

Dacă transformăm o imagine de dimensiuni NxN pixeli într-un vector de dimensiune

N2, acesta poate fi privit ca un punct într-un spaţiu N2 - dimensional. Imaginile
reprezentând feţe umane ocupă doar un mic subspaţiu al acestui spaţiu
multidimensional, cu caracteristici specifice. Se poate arăta că modificările obişnuite
precum translaţia, rotaţia, sau schimbarea nivelului de iluminare, atunci când au
amplitudine mică, definesc simple subregiuni compacte din “subspaţiul feţelor”.

Datorită atributului “non-convex”, metodele de procesare a feţei bazate pe o singură

imagine sunt limitate în performanţă. Apare acum o întrebare interesantă: de câte
imagini bidimensionale (2-D) este nevoie pentru a reprezenta o faţă, indiferent de
orientarea acesteia?
Câteva răspunsuri au fost date în literatură, indicând faptul că 4 sau 5 imagini sunt
suficiente pentru a acoperi toate unghiurile de vedere (alegerea lor este dependentă
de un set de constrângeri.

Exemplu indicând non-convexitatea

spaţiului feţelor: imaginea originală,
versiunea rotită a aceleeaşi feţe, combinaţie

5
 liniară între feţe

Asemănarea dintre imaginea

originală a feţei şi versiunea ei transformată
se deteriorează rapid pe măsura creşterii
valorii parametrilor ce definesc
transformarea: a) translaţie pe axa X; b)
translaţie pe axa Y; c) rotaţie; d) modificarea
scalei

6
Capitolul 3. Utilizarea corelaţiei numerice în
recunoașterea facială

Analizând din punct de vedere statistic structura imaginii digitale a fotogramei

putem
spune că aceasta constituie o mulţime (populaţie) de N pixeli cu nuanţe de gri ariate,
dată fiind varietatea de acoperiri din zona înregistrată.
Fiecare pixel formează o unitate elementară de imagine definită printr-o
funcţie cu trei variabile F(x, y, g) în care: variabilele x, y definesc poziţia pixelului în
planul imaginii digitale, iar variabilă g caracterizează pixelul din punct de vedere al
răspunsului spectral înregistrat şi se exprimă prin densitate sau nivel de gri. Această
variabilă g are o distribuţie aleatoare în câmpul imaginii digitale.
Variabilele după care pixelii corespondenţi pot fi identificaţi în două imagini
digitale sunt variabilele densităţilor g şi q corespunzătoare acestor pixeli (g - exprimă
densitatea, respective valoarea nuanţei de gri a pixelului situat în imaginea digitală a
primei fotograme şi q – exprimă densitatea, respectiv valoarea nuanţei de gri a
pixelului corespondent situat în imaginea digitală a celei de a doua fotograme).
În acest caz spunem că variabilă ce defineşte densitatea (nuanţa de gri) a pixelilor
corespondenţi este o variabilă bidimensională (g, q).
Practic, a determina pixelul corespondent în imaginea celeilalte fotograme presupune
a stabili dependenţa dintre densităţile g şi q ce caracterizează cei doi pixeli
corespondenţi. O astfel de dependenţă dintre densităţile g si q ale celor doi pixeli se
poate stabilii pe baza corelaţiei numerice.
Din punct de vedere statistic această dependenţă poate fi stabilită printr-o
analiză de corelaţie numerică (digitală) a celor două variabile g şi q. Corelaţia
variabilelor bidimensionale. Corelaţia între două variabile aleatoare, conform teoriei
statisticii matematice, este definită ca fiind legea statistică de comportare a fiecăreia
dintre variabile în funcţie de valorile celeilalte variabile şi exprimă măsura
dependenţei dintre cele două variabile considerate.
Variabilă g din câmpul imaginii primei fotograme este o variabilă independentă în
timp ce variabilă q din câmpul imaginii fotogramei a doua este o variabilă dependentă
de variabilă g., întrucât pentru o valoare determinată discretă a variabilei g variabilă
dependentă q ia şi ea o valoare determinată şi discretă, se poate afirma că între cele
doua variabile g si q există o legătură funcţională dată de relaţia:
<7 = /Gr

Dacă fiecărei valori g оi corespunde nu o singură valoare q ci o distribuţie

legată (legată de valoarea lui g) caracterizată fiecare prin câte o medie q legată,
avem de-a face cu o legătură statistică (stochastică), respectiv spunem că există o
corelaţie între q şi g. Astfel, Fixând o valoare variabilei g se poate estima printr-un
calcul statistic valoarea variabilei q.
Dacă vom ataşa fiecărei valori a variabilei g media valorilor corespunzătoare a
celeilalte variabile q se obţine funcţia de regresie, funcţie care exprimă regresia lui q
asupra lui g şi se reprezintă grafic printr-o dreaptă numită dreapta de regresie
(aceasta deoarece funcţia de regresie este liniară). Dreapta de regresie este
exprimată prin relaţia:

7
 q i-q-r^-(g i-g)y
unde g si q –medii aritmetice ale valorilor gi si q,
a şi _ abaterea medie pătratică a valorilor gt şi de la valorile medii notate cu g şi q.
Se poate afirma că dacă rezultatul funcţiei de regresie a variabilelor g şi q
aproximează o dreaptă de regresie cele două variabile se află în corelaţie (sunt într- o
legătură statistică una faţă de alta).
Cu cât estimarea dreptei de regresie este mai precisă, cu atât putem spune că între
variabilele g şi q există o corelaţie mai intensă, corelaţie care face ca pixelul cu valoarea
densităţii q din imaginea digitală a fotogramei a doua să fie corespondentul pixelului cu
densitatea g din imaginea digitală a primei fotograme.
Indicatori de corelaţie.
Gradul de corelaţie al variabilelor bidimensionale g şi q poate fi pus în evidenţă prin
doi indicatori: covarianţa şi coeficientul de corelaţie. Covarianţa, conform teoriei statistici
matematice, este media aritmetică sau valoarea aşteptată a produsului abaterilor valorilor a
două variabile de la valorile lor medii Ţinând cont de momentele centrate, covarianţa este
momentul centrat mixt de ordinul al doilea al variabilelor g şi q şi se notează agq. Covarianţa
este deci indicatorul ce măsoară gradul de legătură corelaţională dintre variabilele g şi q.
Coeficientul de corelaţie a două variabile x si y se defineşte ca fund valoarea medie a
produsului abaterilor normate ale acestora sau, altfel spus, este covarianţa variabilelor
normate corespunzătoare.
Conform definiţiei relaţia de calcul a coeficientului de corelaţie utilizat în prelucrarea
corelaţională a imaginilor digitale se exprimă astfel: Coeficientul de corelaţie dat de relaţia
de mai sus se bucură de următoarele proprietăţi:
1) Poate lua valori intre -l si +1, este o mărime adimensională şi
caracterizează legătura dintre variabilele g si q

2) Dacă r = ±1, între variabilele g şi q există o legătură liniară (pentru r= 1

fiecărei valori g оi corespunde o singură valoare q) astfel:

-dacă r = +1 variabilele g şi q sunt corelate perfect pozitiv, ceea ce înseamn ă că

valorilor mari ale variabilei g оi corespund valorile mari ale variabilei
-dacă r = -1 variabilele g şi q sunt corelate perfect negativ, ceea ce înseamnă că
valorilor mari ale variabilei g оi corespund valorile mici ale variabilei q sau invers;
-dacă r = 0 variabilele g şi q sunt independente (sunt necorelate), coeficientul de
corelaţie, în valoare absolută, fiind cuprins între valorile 0 şi 1.

3) Cu cât coeficientul de corelaţie ia valori mai apropiate de +1 sau -l, cu atât

corelaţia rectilinie între variabilele studiate este mai puternică. Rezultă că valoarea
coeficientului de corelaţie caracterizează măsura dependenţei liniare dintre variabilele g şi q.
Aceşti indicatori ai corelaţiei, covarianţa şi coeficientul de corelaţie, sunt utilizaţi în
detectarea automată a pixelilor corespondenţi în imaginile digitale a fotogramelor în procesul
de localizare şi măsurare automată a reperelor fotogrammetrice şi în detectarea automată a
schimbărilor produse în două imagini digitale. În cazul localizării unui reper fotogrammetrie
în imaginea digitală, zona din jurul reperului poartă numele de matrice de căutat sau zona de
căutat iar marca reper poartă numele de matrice ţintă sau zonă ţintă.
Practic, se calculează coeficientul de corelaţie r pentru toate poziţiile posibile ale
zonei ţintă în zona de căutat şi poziţia reperului va fi dată de pixelul cu cea mai mare
valoare a coeficientului de corelaţie. Un astfel de mod de evidenţiere poate fi făcut prin
condiţii impuse în programul de prelucrare a imaginilor digitale.

Corelarea liniilor de contur în imaginile digitale.

8
 O astfel de corelare a conţinutului informaţional al imaginii digitale este
justificată a se aplica, deoarece vederea umană se bazează mai mult pe corelarea
liniilor şi contururilor decât pe corelarea densităţilor. Întrucât calitatea procesului de
corelare depinde în mare măsură de structura conţinutului imaginii digitale, se
selectează mai întâi zona de interes din cadrul fotogramei digitale după care,
utilizând diferenţele dintre densităţile vecine, se pot identifica contururile.
Pe fiecare din direcţiile x şi y putem determina diferenţa dintre densitatea
pixelului оn cauză şi densităţile pixelilor vecini anteriori şi posteriori acestuia. In acest
caz, pentru fiecare direcţie se vor determina două diferenţe pe care le vom defini:
prima diferenţă şi a doua diferenţă.
Compararea valorilor acestor diferenţe cu o valoare de prag dinainte stabilită
conduce la posibilitatea clasificării imaginilor digitale în termenii de calitate ai
corelării. Aceste diferenţe sunt utilizate în multe situaţii pentru detectarea elementelor
de suprafaţă ce au contur.

9
Capitolul 4. CONCLUZII GENERALE
Prelucrarea numerică a imaginilor reprezintă un ansamblu de teorii şi tehnici
folosite în înregistrarea, sinteza, codarea, transmiterea, reproducerea,
recunoaşterea, estimarea, detecţia, filtrarea, îmbunătăţirea imaginilor digitale.
Domeniile de aplicabilitate ale prelucrării digitale a imaginilor sunt: transmisiunile
video, medicina, biologia, astronomia, industria, comunicaţiile, efectele speciale,
educaţia la distanţă.
În cazul celor din urmă s-a imaginat, proiectat şi implementat şi un scenariu, o
metodă şi un algoritm de urmărire (tracking) a fiecărei feţe statice sau în mişcare,
identificate ca atare în cadrele respective, prin etichetarea / indexarea acesteia. Au
fost elaborate soluţii pentru etichetarea / indexarea corectă a feţelor în cadrele
succesive, inclusiv pentru situaţiile de posibile ambiguităţi în etichetarea corectă a
acestora în cazul „pierderii” lor temporare din cadre.
Pentru fiecare faţă detectată într-un cadru sunt calculate poziţiile viitoare
posibile.
Acestea sunt utilizate atât pentru identificarea corectă şi coerentă în cadrul
următor cât şi pentru cazurile în care faţa respectivă „dispare” dintr-un motiv sau altul
din cadrele video pentru o perioadă scurtă de timp – nu este detectată, se întoarce
cu spatele la cameră, iese temporar din scenă sau este obturată temporar de alt
obiect sau altă persoană etc. – şi apoi reapare Sisteme robuste de recunoaştere a
feţei trebuie să fie capabil să se ocupe de variaţii care apară în scenarii practice de
funcţionare. Aceasta înseamnă a avea capacitatea de a se ocupe de orice şi de toate
variantele se confruntă cu condiţii de iluminare diferite, prezintă, expresii, şi de alţi
factori, cum ar fi achiziţionarea de variaţie mică faţă de rezoluţie o distanţă.

Sistem de analiză a imaginii

10
Bibliografie
https://www.spy-shop.ro/blog/camere-cu-recunoastere-faciala
https://www.lerato.ro/blog/recunoastere-faciala-telefoane-cu-android/
https://www.scribd.com/document/462101693/recunoasterea-faciala

11