===== Tehnike automatiziranog prepoznavanja lica u video zapisima ===== ===== Sažetak ===== Napredak u tehnologiji računalnog vida i mogućnost snimanja videozapisa pomoću mobilnih uređaja, nadzornih kamera izazvalo je potrebu izradu metoda za prepoznavanje ljudskih lica. Glavni cilj prepoznavanja I praćenja lica na temelju video zapisa je identificirati lica nepoznatih osoba. Postoje mnogi izazovi u prepoznavanju lica koje treba savladati. Ovaj rad će prikazati metode prepoznavanja ljudski lica s videozapisa te koji izazovi se mogu naći na tom putu, Keywords: lice, tehnike, učenje, video, modeli ===== Uvod ===== Posljednjih godina bilježi se brzi rast i razvoj video senzora i tehnologije za analiziranje videa i slika. Kamere su vitalni dio sigurnosnih sustava koji se koriste za prikupljanje informacija iz okoline. Inteligentni sustav za detekciju osoba uključuju otkrivanje i praćenje objekata te analizu njihovog kretanja. Sustav za prepoznavanje like koristi se za automatsko prepoznavanje osobe iz slike ili video zapisa. Glavni cilj prepoznavanja I praćenja lica na temelju video zapisa je identificirati lica nepoznatih osoba. ===== Izazovna u prepoznavanju lica ===== === Starenje === Starenje je neizbježan prirodni proces tijekom cijelog života. Učinak starenje može se promatrati kroz tri jedinstvene karakteristike: * Starenje je nekontrolirano: ne može se ubrzati ili usporiti. * Personalizirani znakovi starenja: Svaki čovjek prolazi kroz različiti obrazac starenja. To ovisi o genima, zdravlju, hrani, mjestu stanovanja itd. * Znakovi starenja ovise o vremenu === Djelomična okluzija === Okluzija se odnosi na prirodne ili umjetne prepreke na slikama. To prepreke mogu biti predmeti kao što su sunčane naočale, šal, ruke i kosa. Ako predmet prekriva manje od 50% lica, može se reći da je došlo do djelomične okluzije. Okluzija otežava prepoznavanje lica te se povećava mogućnost da lice ne će biti prepoznato. === Položaj lica === Promjenjivost položaja lica je još jedan izazov kod prepoznavanja lica. Ljudi zauzimaju različite poze prilikom slikanja. Samim time se otežava prepoznavanje lica. Dobra tehnika prepoznavanja lica trebala bi tolerirati i prepoznati različite poze lica. Još ne postoji konačno rješenje ovog problema. ===== Metode i tehnike prepoznavanja lica ===== === Eigenface === Eigenface je algoritam koji se koristi kako bi se prepoznale karakteristike lica na slici. Koristi se metodom analize glavnih komponenata (eng. Principle Component Analysis, PCA). U ovoj metodi temeljni je koncept prepoznati lice uzimajući jedinstvene informacije o licu. Zatim se te informacije enkodiraju i uspoređuju s dekodiranim rezultatom prethodne slike kako je prikazano na slici 1. Dekodiranje se izvodi računanjem eigenvektora koji se zapisuju u pripadajuću matricu. Međutim, ovaj algoritam je prikladan samo za lica koja se na slici vide isključivo s prednje strane. {{ :racfor_wiki:summary.jpg?400 |}} === Umjetna neuronska mreža === Neuronska mreža je učinkovita kod prepoznavanja lica, a široko se koristi nakon pojave umjetne inteligencije. Sastoji se od mreže u kojoj su neuroni raspoređeni u obliku slojeva. Točnost prepoznavanja lica povećano je uz pomoć dubokog učenja. Uči se na slikama kojima se izmjenjuje osvjetljenje, kut i oštrina. Glavni nedostatak neuronske mreže je da je potrebno određeno vrijeme kako bi se algoritam naučio prepoznavati lica. === Metoda potpunih vektora === Metoda potpunih vektora je vrsta nadziranog algoritma učenja koji koristi podatke za klasifikacijsku i regresijsku analizu. Ona pruža učinkovitu detekciju lica na slikama velikih dimenzija. Metoda je vrlo učinkovita ako se u fazi učenja koristi veliki skup podataka. === Gabor Wavelet === Denni Gabor je 1946. predstavio alat za uklanjanje šuma na slikama nazvanim Gabor filterom [3]. Ova tehnika se koristi za praćenje i procjenu položaja lica na slici. Na slici 2 je prikazano kako Gaborov Walvetaova transformacija koja ima karakteristike koje mu omogućuju ocrtavanje prostora, prostorne frekvencije, selekcije i orijentacije. Glavne prednosti Gabor Waveleta su redukcija značajki lica i njegova globalna zastupljenost u prepoznavanje lica. {{ :racfor_wiki:gabor_wavelet.png?400 |}} === Skriveni Markovljev model === Skriveni Markovljev model je tehnika statističkog modeliranja u kojoj se sustav podvrgava Markovljevom procesu sa skrivenim stanjima. Ova metoda je dobro uspostavljena u prepoznavanju vremenskog uzorka i učenju. Trenutno se koristi za prepoznavanje izraza lica, ali se također može primijeniti na prepoznavanje lica u video sekvencama. Potreban je slijed 1D slika koje su prethodno kronološki posložene. Postoje Markovljevi modeli s više stanja, a u praksi su se najbolje pokazali modeli s pet i sedam stanja. Model s pet stanja dijeli lice na pet grupa, a to su: oči, nos, usta, brada i čelo za slike gdje se lice vidi frontalno. Broj stanja može se dodati ili oduzeti ovisno o zahtjevima sustava. Model sa sedam stanja pruža više detalja i brži je u prepoznavanju lica. ===== Zaključak ===== Proučavanje i prepoznavanje lica i daje je područje za istraživanje još dugi niz godina. Nakon detaljne analize otkrilo se da je metoda analize glavnih komponenata najprikladnija za frontalno prepoznavanje lica [1]. Za lica pod različitim kutovima i pod varijabilnim osvjetljenjem najbolje rezultate daje Gabor metoda [2]. Zaključuje se da još uvijek postoji jaz između studije prepoznavanja lica i stvarnih implementiranih metoda. Nadalje, prepoznavanje emocionalnog ljudskog ponašanja pokazuje perspektivno područje za buduća istraživanja. ===== Literatura ===== [1][[https://www.researchgate.net/profile/Sadaquat_Ruk/publication/326088507_Study_of_Face_Recognition_Techniques_A_Survey/links/5b38c69caca2720785fe924b/Study-of-Face-Recognition-Techniques-A-Survey.pdf|Madan Lal, Kamlesh K., Abdullah Maitlo, and Sadaquat Ali Ruk. Study of Face Recognition Techniques: A Survey. Article in International Journal of Advanced Computer Science and Applications. June 2018]] [2] [[https://www.researchgate.net/publication/318646602_Face_Recognition_and_Tracking_in_Videos|Sandipan Pralhad Narote. Face Recognition and Tracking in Videos. Article in Advances in Science Technology and Engineering Systems Journal. July 2017 ]] [3] [[https://en.wikipedia.org/wiki/Gabor_filter]]