Распознавание лиц людей с использованием камер видеонаблюдения при помощи трехмерных моделей людей

Использование 3D моделей лиц людей в задачи распознавания позволяет добиться максимальной точности, то есть минимального количества ошибок как первого, так и второго рода при распознавании лиц людей с использованием камер видеонаблюдения.

Также трехмерная модель лица, по сравнению с одиночной фронтальной фотографией, позволяет добиться более широких углов, при которых может производиться распознавание.

Для построения 3D модели лица человека необходимо, как минимум две фотографии – фронтальная и профильная:

или в случае со стереокамерами – изображение с соседних камер:

Для распознавания моделей предлагается применить метод, основаный на поиске фрактальных областей на изображении.

Суть этого метода заключается в следующем. Все операции, требующие высокой производительности производятся на этапе создания эталона. При непосредственном сравнении двух изображений выполняется минимум операций.

Для построения эталона необходимо:

1. Выбрать изображение, которое впоследстии будет эталонным.

2. Найти на изображении такие пары областей , которые отвечают следующим требованиям:

a. Должен существовать набор функций отображения , где функция отображения – это двумерное аффинное преобразование одной области в другую.

b. .

3. Сохранить полученные координаты пары областей, коэффициенты аффинного преобразования, а так же расстояние между элементами внутри пар и .

Самым долговычислимым процессом является поиск пар областей, удовлетворяющих требованиям, представленных выше. Однако, этот процесс выполняется единожды, и благодаря этому позволяет пренебрегать временем потраченным на него.

Благодаря схеме построения эталона, сам алгоритм сравнения двух изображений обладает линейной сложностью, зависящей от количества полученных пар областей.

Сравнение изображений производится следующим образом:

1. Из эталона берутся координаты пар областей

2. По координатам областей строятся соответствующие области на сравниваемом изображении

3. Измеряются значения и , которые сравниваются с результатом из эталона

4. Если разница больше порогового значения, то считается, что эти области дали отрицательный ответ на вопрос о принадлежности этого изображения к классу изображений, для которого построена база

5. После подсчета голосов принимается окончательное решение

В пунктах 4-5 можно применить более совершенные методы. Например, в пункте 4 можно применить технологию нечеткой логики, а в пункте 5 – использовать современный алгоритм принятия решения, к примеру – нейронную сеть. При применении нейронной сети, для первоначального распределения весов можно учитывать площади пар областей.