Sadržaj

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:

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.

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.

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]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] 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