Capitol 2. Recunoastere faciala 2.1.

Generalitati Sisteme robuste de recunoatere a feei sau devenit din ce in ce mai utile in ultima perioada pentru a ajuta la combaterea criminaliti, lupta impotriva terorismului, autentificare pentru accesul utilizatorului n spaiile fizice i virtuale pentru a asigura o mai mare securitate a acestora. Cu toate inovatiile facute in ultimul timp, problema identificarii unei persoane(de a lua imaginea faei ca intrare i de a o potrivi cu imagini de feei stocate ntr-o baz de date) este nc o problem foarte dificil. Acest lucru se datoreaz variabilitii chipurilor umane n condiii diferite cum sunt cele de iluminare, rotire, expresii faciale, performanta a camerei de luat vederi, mbtrnirea, machiajul, utilizarea ochelarilor. Adesea, aceste condiii n mare msur diferite afecteaz performana sistemelor de recunoatere a feei n special atunci cnd sistemele de recunoastere trebuie s potriveasc imagini din baze de date de scar mare. Aceast performan sczut a sistemelor de recunoatere a feei mpiedic utilizarea n aplicaii reale la scar larg(dei multe sisteme au fost implementate, utilizarea i acurateea lor se limiteaz la anumite scenarii operaionale), unde erorile ca Rata de Falsa Acceptare (FAR) i Rata de Fals Respingere (FRR), sunt luate n considerare n faza de proiectare a sistemului. FAR este probabilitatea ca sistemele s accepte n mod incorect o persoan neautorizat, n timp ce FRR este probabilitatea ca sistemele sa respinga n mod eronat o persoan autorizat. n scopul de a consolida global algoritmul de recunoatere faciala performanta, numeroase noi abordri algoritmice au aparut cu avantajul de a prezenta mari mbuntiri fa de tehnicile convenionale, cum sunt Analiza dependenta de Clasa a trasaturilor Kernel (KCFA), Tensorfaces(), Metode Kernel i Analiza Discriminatorie liniara (LDA). Dintre acestea, unele din noileabordri, cum ar fi KCFA, pun accent pe generalizarea persoane nevzute i Tensorfaces poate analiza multiple schimbari de conditii (pozitie diferita, iluminare variabila). Tradiionala metoda LDA ncerca s gseasc cei mai buni vectori de separare a proieciilor prin maximizarea criteriilor Fisher. 2.2 Tehnici de recunoastere faciala Algoritmii de recunoatere a feei pot fi clasificate n dou mari categorii n funcie de schemele de extragere a trasaturilor pentru reprezentarea faciala: metode bazate pe extragerea de trasaturi si metode bazate pe extragerea aspect general?. Proprietile i relaiile geometrice cum ar fi zonele, distanele i unghiurile dintre puncte de pe fata sunt folosite ca descriptori de recunoatere a feei. Pe de alt parte, metodele bazate pe aspectul ia n considerare proprietile globale ale modelului de intensitate a imaginii fetei.

Algoritmii de recunoatere a feei bazati pe aspectul general procedeaz la calcul vectorilor de baz, pentru a reprezenta datele fatei cat mai eficient. n etapa urmtoare, chipurile sunt proiectate pe aceti vectori i coeficieni lor de proiecie pot fi utilizati pentru a reprezentarea imaginile faciale. Algoritmi populari, cum ar fi PCA, LDA, ICA, LFA, Filtre de corelatie, Manifolds i Tensorfaces se bazeaz pe aspectul feei. Abordri holistice ale recunoaterii feei au probleme la prezenta variaiilor de pozitie. Construirea de mozaicuri ale imaginilor faciale, cum ar fi cele din .....a fost a avut ca scop rezolvarea probleei variaiei pozitiei 2.2.1 Eigenfaces(PCA) Eigenfaces, de asemenea, cunoscut sub numele de Analiza Componentelor Principale (PCA) este, poate, cea mai veche i mai bine cunoscut dintre tehnicile de analiz multivariat. Ea este semnalat n diverse lucrri sub numele de analize Karhunen-Loeve, n oceanografie ca analize EOF (Empirical Orthogonal Function) iar n matematic sub denumirea de analize SVD (Singular Value Decomposition). Obiectul principal al metodei este studiul valorilor varianei i a corelaiei fr a construi noi variabile. Are scopul de a gsi eroarea minima pentru maparea unui spatiu N-dimensional intr-unul M-dimesional(M<<N). 2.2.2 Analiza Discriminatorie liniara (LDA) Analiza Discriminatorie liniara (LDA) este mai potrivita pentru gasirea de proiectii care discrimineaza 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 cnd se lucreaz cu imagini faciale numrul de imagini de invatare este mai mic dect numrul de pixeli ai unei imagini, astfel n clasa mprtia matrice SW este singular cauzeaz probleme pentru LDA [23]. la abordeze aceast problem [10] realizeaz pentru prima dat APC pentru a reduce dimensionalitatea date, n scopul de a depi aceast problem, singular-matrice i apoi se aplic LDA n acest mic-dimensional APC subspaiu. mbuntirea rezultatelor de recunoatere a fost demonstrat prin aceast abordare tradiional de peste APC--------Concluzii Sisteme robuste de recunoatere a feei trebuie s fie capabil s se ocupe de variaii care apar n scenarii practice de funcionare. Aceasta nseamn a avea capacitatea de a se ocupe de orice i de toate variantele se confrunt cu condiii de iluminare diferite, prezint, expresii, i de ali factori, cum ar fi achiziionarea de variaie mic fa de rezoluie o distan. Pentru a mbunti performana i pentru a aborda fiecare variaie, numeroase algoritmi noi au fost propuse vizeaz generalizarea la persoane nevzute, analizei factoriale multiple i structurile ascunse de fete. n caz de rezoluie mic fete, de pre-procesare metode care pot mbunti rezoluia de fata Imaginile au fost detaliate. Mici prezint variaii pot fi manipulate i instruii de ctre clasificatori diferite, ns prezint mari variaii pot fi modelate prin metode, cum ar fi Tensorfaces i extensiile noastre propuse.