Documente Academic
Documente Profesional
Documente Cultură
FACULTATEA TRANSPORTURI
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
1 1. recunoaşterea formelor,
2 2. recunoaşterea obiectelor,
3 3. recunoaşterea / clasificarea imaginilor.
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);
3
Schema-bloc a unui sistem de recunoaştere/verificare a feţelor
4
Aspecte specifice aplicaţiilor de recunoaştere/verificare a feţelor
5
liniară între feţe
6
Capitolul 3. Utilizarea corelaţiei numerice în
recunoașterea facială
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
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.
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