Построение биометрических шаблонов лица с помощью применения алгоритма активных моделей внешнего вида

Статья посвящена описанию системы идентификации сотрудников на предприятии, разрабатываемой в рамках магистерской диссертации «Исследование и разработка комплексной автоматизированной системы идентификации персонала предприятия». Актуальность темы заключается в повышении эффективности и безопасности пропускных систем.

Система представляет собой комплекс взаимодействующих между собой технических и программных средств. Функционирование системы обеспечивают следующие аппаратные средства: компьютер, весовая платформа, видеорегистратор и устройство для чтения персональных карт сотрудников. Программное обеспечение реализовано за счет непосредственно программного приложения автоматизации всего организационного процесса, программного обеспечения, необходимого для функционирования весовой платформы, а также требуемых драйверов.

Алгоритм работы системы заключается в следующем:

1) При входе на территорию предприятия сотрудник встает на весовую платформу в определенное положение, которое обеспечит фиксацию изображения его лица и одновременно вставляет свою персональную карту-пропуск в специальный слот. Система проверит полученное изображение с изображением, хранящимся на карте сотрудника, и зафиксирует вес сотрудника в базе данных предприятия.

2) При выходе с территории предприятия сотрудник встает на весовую платформу, которая вновь фиксируетвес сотрудника. Система сравнивает полученный вес с весом сотрудника, зафиксированном при входе.

Такой метод позволит обнаружить несанкционированный вынос с территории объекта материальных ценностей, а также зафиксировать факт оставления предметов на охраняемой территории.

В процессе исследовательской работы решаются следующие задачи:

- определение разумных пределов допустимой разницы изменения веса в течение дня;

- расчет пропускной способности одной системы для предприятий с разной численностью работающих;

- расчет оптимального количества систем, необходимых для предприятий с разной численностью работающих;

- определение влияния изменений внешних данных сотрудников (прическа, наличие головного убора или аксессуара, загар, макияж и т.д.) на качество биометрической идентификации;

- определение допустимого порога распознавания в связи с учетом факторов предыдущего пункта;

- определение вероятности возникновения ошибок FAR/FRR (коэффициентов ложного пропуска/ложного отказа в доступе) при биометрической идентификации.

В качестве биометрической характеристики идентификации личности сотрудников была выбрана геометрия лица. Биометрическое распознавание лица может не требовать специальной технической аппаратуры. Изображение лица сотрудника можно получить с обычной WEB-камеры. Следовательно, реализация и внедрение данной системы не будет сопряжено с рядом технических или финансовых трудностей.

В данной системе в основе биометрического распознавания лежит использование готовой библиотеки LuxandFaceSDK. LuxandFaceSDK - кросс платформенная библиотека определения и распознавания лиц, которая может быть интегрирована в клиентское приложение. FaceSDK предлагает интерфейс прикладного программирования API - набор функций, предоставляемый для использования в прикладных программах, для обнаружения и отслеживания лиц и контуров лица, определения пола, распознавания лица на неподвижных изображениях и видео. LuxandFaceSDK обеспечивает определение координат (x;y) 66 точек черт лица (включая глаза, брови, рот, нос и контуры лица), которые хранятся в базе данных (рисунок 1). Каждой из этих точек присваивается идентификационное название, которое впоследствии задается соответствующей функцией. По данным точкам осуществляется построение шаблона активной модели внешнего вида с лицевыми точками, сохраняющимися по своим идентификационным названиям в массиве библиотеки FSDK_Features [1]. Таким образом непосредственное биометрическое распознавание сотрудников будет осуществляться путем сравнения шаблона с лицевыми точками, построенного с изображения, полученного на входе/выходе сотрудника с шаблоном, хранящимся в базе данных предприятия. Библиотека имеет возможность настройки порога распознавания. Допустим, система управления доступом обеспечивает доступ человеку, когда сходство его изображения с шаблоном при распознавании выше порогового х, возможность предоставления ошибочного доступа другому лицу является 1 - х. Данный показатель является настраиваемым и допускает ручное регулирование порога распознавания. При низкой пропускной способности предприятия будет в приоритете высокая скорость распознавания. В этом случае, при низком проценте распознавания программа сравнивает шаблон, используя функции не всех 66 лицевых точек, а меньшего их количества. Необходимо также отметить, что изображение сотрудника, хранящееся в базе данных, будет отображаться на экране оператора для визуального подтверждения личности сотрудника.

Шаблоны лиц при биометрическом распознавании строятся с помощью применения алгоритма активных моделей внешнего вида. Активные модели формы - этомодели формы объектов, которые могут многократно деформироваться, для подгонки к объекту, присутствующему на новом изображении. Деформация ограниченамоделью распределения точек статистической формы модели, чтобы модель могла меняться только в пределах размеченных примеров из обучающей выборки. Форму объекта представляет множество точек, контролируемое формой модели [2]. Цель алгоритма активной модели формы состоит в сопоставлении модели с новым изображением. Алгоритм состоит из двух чередуемых действий:

- поиск на изображении вокруг каждой точки лучшей позиции для данной точки;

- обновление параметров модели путем определения наилучшего соответствия с вновь найденными позициями.

Рисунок 1 - Шаблон лица, заданный 66 лицевыми точками, хранящийся в библиотеке распознавания

Для нахождения лучшей позиции для каждой точки можно либо отыскать четкие края, либо совместить статистическую модель с тем, что ожидается для данной точки. Оригинальный метод предполагает использование расстояния Махаланобиса для вычисления лучшей позиции для каждого ориентира точки.

Этот метод широко применяется для анализа изображений лиц, механических узлов и медицинских изображений (в 2D и 3D - изображениях).

Одно из применений алгоритма активной модели формы является построение шаблонов активной модели внешнего вида (АМВВ) при биометрическом распознавании лица. Данная модель содержит два типа параметров: параметры, связанные с формой (параметры формы), и параметры, связанные со статистической моделью пикселей изображения или текстурой (параметры внешнего вида). Перед использованием модель должна быть применена на множестве заранее размеченных изображений, где разметка изображений производится вручную. Каждая метка имеет свой номер и определяет характерную точку, которую должна будет находить модель во время адаптации к новому изображению.

В представленном примере на изображении отмечены 68 меток, образующих форму модели активного внешнего вида (рисунок 2). Эта форма обозначает внешний контур лица, контуры рта, глаз, носа, бровей. Данный характер разметки позволяет в дальнейшем определить различные параметры лица по его изображению, которые могут быть использованы для дальнейшей обработки другими алгоритмами.

Процедура применения АМВВ начинается с нормализации форм на размеченных изображениях с целью компенсации различий в масштабе, наклоне и смещении (рисунок 3).

Из всего множества нормированных точек затем выделяются главные компоненты с использованием метода главных компонент (рисунок 4). Это один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации.

Далее из пикселей внутри треугольников, образуемых точками формы, формируется матрица, такая что каждый ее столбец содержит значения пикселей соответствующей текстуры. Следует отметить, что используемые для применения текстуры могут быть как одноканальными (градации серого), так и многоканальными (например, пространство цветов RGB или другое) (рисунок 5). В случае многоканальных текстур векторы пикселей формируются отдельно по каждому из каналов, а потом выполняется их конкатенация. После нахождения главных компонент матрицы текстур модель АМВВ считается примененной.

Вектор параметров формы используется для синтеза модели формы, а вектор параметров - для синтеза внешнего вида модели. Итоговая модель лица получается как комбинация двух моделей - формы и внешнего вида.

Подгонка модели под конкретное изображение лица выполняется в процессе решения оптимизационной задачи, суть которой сводится к минимизации функционала методом градиентного спуска (рисунок 6). Найденные при этом параметры модели и будут отражать положение модели на конкретном изображении.

Рисунок 2 - Пример разметки изображения лица из 68 точек, образующих шаблон активной модели внешнего вида

Рисунок 3 - Координаты точек формы лица до и после нормализации

Рисунок 4 - Модель формы АМВВ состоит из триангуляционной решетки s и линейной комбинации смещений si относительно s0

Рисунок 5 - Модель внешнего вида АМВВ состоит из базового вида A0, определенного пикселями внутри базовой решетки s0, и линейной комбинации смещений Ai относительно A0

Следует отметить, что различают модели активного внешнего вида с жесткой и нежесткой деформацией. АМВВ состоит из набора параметров, часть которых представляют форму лица, остальные задают его текстуру. Под деформацией обычно понимают геометрическое преобразование в виде композиции переноса, поворота и масштабирования. При решении задачи локализации лица на изображении выполняется поиск параметров ААМ (расположение, форма, текстура), которые представляют синтезируемое изображение, наиболее близкое к наблюдаемому. Модели с жесткой деформацией могут подвергаться только аффинным преобразованиям (поворот, сдвиг, масштабирование), в то время как модели с нежесткой деформацией могут подвергаться и другим видам деформаций [3]. На практике используется комбинация обоих видов деформаций. В этом случае к параметрам формы добавляются еще и параметры расположения (угол поворота, масштаб, смещение или коэффициенты аффинного преобразования). По степени близости АМВВ подгоняемому изображению принимается решение - есть лицо или нет.

Рисунок 6 - Пример подгонки модели на конкретное изображение за 20 итераций процедуры градиентного спуска

идентификация сотрудник изменение допустимый

Список литературы

1. LuxandFaceSDK Documentation. LuxandFaceSDK 5.0.1 Face Detection and Recognition Library Developer's Guide (2014).

2. Baker S., Gross R., Matthews I. Lucas-Kanade 20 Years on: A Unifying Framework: Part 2. Technical Report CMU-RI-TR-03-01, Carnegie Mellon University Robotics Institute, 2003.

3. Matthews Iain, Baker Simon. Active Appearance Models Revisited, International Journal of Computer Vision, Vol. 60, No. 2, November, 2004, pp. 135-164.

Размещено на Allbest.ur