prezentováno v (Hsu et al 2002) Fagnition může být definován jako jednotlivci z tváří bd databáze tváří označených stažením rysů z oblastí obličeje a firdlem jako faktory, které se nasávají atd., které ovlivňují vzhled jednotlivců rysy obličeje Kromě těchto variací obličeje je tento úkol ještě náročnější na změny osvětlení, pozadí a měřítka. Mezi další problematické stavy patří hluk, okluze a mnoho dalších faktorů V posledních dvou desetiletích bylo navrženo mnoho metod pro rozpoznávání obličeje, techniky založené na vzhledu. metody jsou velmi oblíbené, aby tyto problémy zefektivnily (Chellappa et al 1995) Zejména lineární 1990) Definující charakteristikou algoritmů založených na vzhledu je, že přímo zakládají rozhodnutí Intenzity pixelů, které se používají jako vlastnosti, jsou reprezentovány pomocí jednotlivých hodnotných proměnných, Hface je zachycen v jiné orientaci, změňte se proto
Hodnotné proměnné nemusí být schopny H∈dbDe2b10: Diday 1993, kdy jsou intervalově ohodnocená data analyzována. Proto je potřeba zaměřit výzkumné úsilí na extrakci rysů, které jsou odolné vůči změnám způsobeným iluminátskou orientací a změnami výrazu tváře tím, že reprezentují obrazy obličeje jako symbolické objekty proměnných intervalového typu (Hiremath Prabhakar 2005) Reprezentace faceariací hder různých světelných podmínek, orientace a výrazu obličeje vytváří dspace In (Hiremath Prabhakar 2005), symbolický PCA přístup pro rozpoznávání obličeje, ve kterém je prezentován symbolický PCAset základních vektorů podprostoru pro symbolické plochy a poté promítnout tkomprimovaný podprostor. Tato metoda vyžaduje menší počet prvků k dosažení stejné míry kódování pouze pro statistiky druhého řádu, tj. kovariance pixelů mezi pixely a na základě závislosti (více než dvou) pixelů v vzory Protože tyto statistiky druhého řádu poskytují pouze částečné informace o statistikách přirozených i lidských tváří, mohou se stát i statistikami vyšších řádů. Jádro PCA (Scholkopf et al 1998) je schopno odvozovat dimenzionální rysy bez řádků mezi hodnotami intenzity pixelů, jako je např. tři důležité informace o poznání Jádro PCA je rozšířeno na analýzu symbolických dat jako symbolické jádro PCa (Hiremath Prabhakar 2006) pro rozpoznávání obličeje a rychlost showognition experimentálních výsledků ve srovnání se symbolickou metodou PCA Rozšíření symbolické analýzy na techniky rozpoznávání obličejů pomocí metod založených na lineárním diskriminantu
Obrázek 6 Výsledky detekce obličeje a) Extrakce rysů obličeje b) Detekovaný obličej v boxntálních výsledcích Implementace výše popsaného v MAtLAB 60 na pentium iv a 26GHz používá su067D2, (D je vzdálenost mezi očima), která je značně malá/ Extrakce vlastností je omezena pouze na celkovou plochu pokrytou velikostí snímku Tato redukovaná oblast hledání značně prodlužuje dobu detekce
Výsledky detekce vzorků jsou znázorněny na obrázku 7 a obrázku 8 s detekovanými obličeji zakrytými vlasy, velmi malou velikostí obličeje, obličejem zakrytým rukou a příliš tmavým stínem na obličejích Obrázek 9le porovnání různých nejmodernějších detektorů navržených (Shih a Liu 2004, weneidn a Kanade 2000, že přístup k modelu fuzzy obličeje založený na segmentaci barvy pleti (metoda H-D srovnatelná s ostatními, pokud jde o rychlost detekce a velmi nízká jak v době detekce, tak v falseMethodDet Iime DatasetetectionS-L metodaMIT-CMUreportedI S-K metoda 465I MIT-CMU 465I MIT-CMU 465I D method02078650Obrázek 7 Výsledky detekce vzorků pro jednu i více lidských tváří s velikostí,
Obrázek 8 Ukázkové obrázky s výrazy, světelnými podmínkami, komplexním pozadímOptimalizace sad prvků Pro facsk stačí malá sada geometrických prvků, jejichž detekované prvky založené na modelu jsou derednormalizovanékometrické vektor prvku je konstruován se vzdálenostmi, plochami, vyhodnocovacími hodnotami a hodnotami fuzzy příslušnosti Normalizace se provádí s ohledem na vzdálenost mezi očima a demonstruje, že výsledný vektor je isariant měřítka, rotace a výrazů obličeje Tento vektorově charakterizuje obličej každého muže navzdory změnám v rotaci, měřítku a výrazu obličeje, který Hendely použil pro facetem dále je to 1-rozměrný feature vect, která má sníženou dimenzionalitu na ared vůči ostatním (turk Pentland, 1991; Belhuet al, 19g7) na základě 2-dimenziorsetů foty prostoru In (Hiremath a Danti, prosinec 2004), metody optimalizace featurented a je popsána jako bele3
1 Geometrický obličej má celkem asi 26 rysů, přičemž 14 promítnutých rysů je určeno projekcí obličejových rysů, jako je obočí, nos, ústa a ušiObličejové prvky s detektorem obličeje založeným na modelu obličeje Lines-of-Separability (Hiremath PS Danti A( Hiremath PS& Danti A, prosinec 2005), seznam extrahovaných geometrických rysů obličeje je uveden v tabulce Promítnutých rysů získaných b kolmo k diagonální referenční linii (DRL), jak je znázorněno na obrázku 10. DRL je
přímka půlící první kvadrant v rovině HRL-vRl a je místem bodu (x, y) ve stejné vzdálenosti od HRL a VRL Rovnice DRL je dána vztahem fr+ By+C=0, kde koeficienty a, b, a cPopis vlastnostiPopis vlastnostiHodnota vyhodnocení eveHodnota vyhodnocení leftCelková hodnota vyhodnocení ebroHodnota vyhodnocení hodnoty počtu členů pravého obočíTabulka 5 Seznam geometrických prvků extrahovaných z detekce obličejehRLDRLDvzdálenostní poměr VlastnostiPoměry vzdáleností jsou vypočítány tak, jak je popsáno v následujícím Let (rK,yxKbe the k-tá vlastnost (např
g levé obočí na obrázku 10) Nechť P je průmět bodu K na DRL Potom se vypočtou následující vzdálenosti (Kolmá vzdálenost)(18)(Radiální vzdálenostPk-VMK-KPx(Diagonální vzdálenost
notace, Rieh označuje poměr vzdáleností získaný projekcíPodobně poměry vzdáleností Rle, RRe, RRea, RNore RiwRdeterminedDistance ratio Funkce v kombinaci dRl se používají k výpočtu poměrů vzdáleností pro rysy obličejeReelLeft Eye to Right Eye)RL(Left Eyebrow to Right Obočí (od nosu k ústům)24) MPa
(Oblast z levého ucha do pravého obočí, nosu a úst Obrázek 11 Čáry trojúhelníků se používají k určení oblasti 11(a), et a ez označují pravé a levé oko; (x3,y3), pravé oko, levé oko, nos a ústa, resp.Obrázek 11 Trojúhelníkové oblasti rysů(a) Oblasti tvořené očima, nomouth(b)Oblasti tvořené očima a nosem; a trojúhelníková oblast Aew foreves a ústa se vypočítá jako
Pak oblasti pokryté očima, nosem a ústy jsou dány rovnicí (2711(b), b a b2 označují pravé a levé obočí a n a m označují nos a ústa. Souřadnice (n, n1)(2 , J2),(*3,33)a(r4,y4)jsou v tomto pořadí trojúhelníková oblast Ady vytvořená a nos; a trojúhelníková oblast Adtu tvořená obočím jsou comdetPak poměr oblastí pokrytých obočím, nosem a ústy je dán rovnice(29Projektované vlastnosti jsou uvedeny v tabulce 6Popis funkceFunkce PopisPoměr nízké vzdálenosti levým okem REar Poměr vzdálenosti pravým uchemCRew Poměr vzdálenosti pravým okem RLewzRew Poměr vzdálenosti levého a pravého oka poměr vzdálenosti levého pravéhoRObRNmPoměr vzdálenosti nosem a ústyROsetio bRLour2Rewr Poměr vzdálenosti podle poměr levého ucha a pravého podle úst AEws Poměr ploch podle očí, nosu a úst podle levého eaAEytroes Poměr ploch podle obočí, nosu a Tabulka 6 Seznam předpokládaných rysů: 26 rysů, z nichž 12 je z tabulky 5 a 14 rysů z tabulky 63
2 sady optimalizačních funkcíTři podmnožiny funkcí z 26 funkcí se liší jako optimalizace Podmnožina A, B, C se skládá ze 14, 6, 14 funkcí, v tomto pořadí, jak je uvedeno níže Podmnožina =(Rger, REve reeh, REb, RNoe RMwtk, RLe, RR(30)Podmnožina C=(ALeh, Areb, u Nase, Mouth, EEres72)Ereg A obočí Každá podmnožina funkcí je optimalizována maximálními vzdálenostmi mezi třídami a minimálními vzdálenostmi mezi vzory jedné třídy Zde každá třída představuje jednu osobu
a různé obrazy uspořádaných jako vzory Účinnost určovaná funkcí n f, jak je dána zde Mi a D, plocha a rozptyl hodnot znaků fi foMu a měřictví rozptylu směrodatných odchylek vzorku a nepořádku vzorku Pro ilustraci databáze, která obsahuje 40 předmětů nebo tříd a každá z 10 variant
Hodnoty obrázku podél osy y jsou uvedeny na ose x Nižší hodnota F indngerofe podmnožina vlastností cll je optimalizována s nejnižšími hodnotami F ve srovnání s tod, proto odpovídá lepší podmnožině vlastností:2Obrázek 12 Optimalizované podmnožinyVýše uvedená vlastnost Podmnožina C je považovány za vektor s nejoptimalizovanějším geometrickým prvkem, relativní geometrické vzdálenosti mezi rysy obličeje, jako jsou oči, nos, ústa a obočí, se úměrně mění s ohledem na změnu měřítka, rotace a výrazy obličeje a jejich rysy, vektor optimalizovaných prvků3 ilustruje neměnné
Vlastní vektory pro obrázky zobrazené na obrázku 13(a) Obrázek 13(b), příznakové vektory vykazují zanedbatelné odchylky ve vlastnosti4)Varied3) Rotated ExpressionmObrázek 13 Ilustrace vlastnosti invariance a)Různé obrázky stejné osoby b)ture vectorsd rozpoznávání obličeje, lidská tvář popsaná několika vlastnostmi, má různé vlastnosti, vlastnosti budou mít vždy zásluhu na zmenšení obrovského prostoru, který je normálně vyžadován při reprezentaci obličeje, značně urychluje otáčení (Zhao et00) In (Hiremath a Danti, leden 2006), geometrický Gabor Extrakce rysů je navržena pro rozpoznávání obličeje a je popsána v této sekci4 1 Gemetric-Gabor feature Extrakce a rozpoznávání obličejových geometrických rysů a funkcí Gabor mbin n focognition
Sada objektů (podmnožina C) je považována za geomety pro rozpoznávání obličeje a funkce=(ulcb, FRebANav,AErne Funkce gabor gaborovy filtry na rysech obličeje získané naším detektorem obličeje a tato místa jsou považována za prvky Gabor, protože proces gextrakce je daný. Lokální informace v okolí míst obličejových rysů jsou získávány Gaborsinusoidem modulovaným 2D Gaussovou funkcí a frekvencí Gaborovy filtry připomínají profily receptivního pole, orientace, šířka pásma radiální frekvence a frekvence Omezená lokalizace v prostoru a frekvenci přináší určité množství rušivých vlivů. posun, zkreslení, rotace a změna měřítka, funkce Gabor
Oblast podpory pro potenciální rys levého obočí je množina hodnot ht a uleb, jejichž hodnoty fuzzy příslušnosti nejsou o. Obrázek 5(a) ukazuje graf lichoběžníkové fuzzy funkce příslušnosti u, pro vertikální vzdálenost j h rys a oblast podpory pro levé obočí je znázorněna inigure 5(b) Pro vyhodnocení bloku funkce Kh v oblasti podpory pro levé obočí je hodnota vyhodnocovací funkce Ex dána rovnicí(10) Hodnota Ex se pohybuje od 0 do 1 andreprezentuje pravděpodobnost, že funkční blok K je levé oko Vk▲VRLVerticalHorizontální vzdálenost(hure 5 Funkce lichoběžníkového fuzzy příslušnosti u, pro vertikální vzdálenost j-tého rysu obličeje b)Podpůrná oblast pro levé obočí v I kvadrantu režimu obličeje
D/2Podobně je vyhodnocovací hodnota vypočítána pro všechny přednastavené bloky prvků s hodnotami Ex s jejich odpovídajícími fuzzy hodnotami příslušnosti Axvalue pLeh odpovídající Ewe se získá pomocí min-max fuzzy compoYuan 2000) dané rovnicemi(11)a (12) Blok rysů, který má vyhodnocení odpovídající utat nalezený v oblasti podpory levého obočí, je Podobně, pravé oko, jejich příslušné podpůrné oblasti jsou určeny vhodným definováním fuzzy vzdáleností (horizontálních a vertikálních) od těžišť prvků a jejich fuzzyerálního fuzzy vyhodnocení E pro fuzzy model obličeje je definován jako vážený součet hodnot fuzzy hodnocení potenciálních rysů obličeje, konkrétně pravého obočí, nosu a případně váženého upraveného podle rovnice (13) Hodnotu příslušnosti Wg odpovídající E získá E=04E0 2ENom (13)4)d pro každý poal eye pair kandidát a získejte sadu fuzzyaces Tyto fuzzy plochy jsou reprezentovány množinou E hodnot s odpovídající A5re, než jedna E hodnota odpovídající ue maximu mezi těmito lues je defuzzifikovaná vyhodnocovací hodnota Ep of the tvář
Konečně hodnota prahu potenciálních očí, řad, nosu a úst 07 V opačném případě je tato oblast obličeje odmítnuta Výsledky detekce obličeje jsou znázorněny na obrázku 6, kde (a) zobrazte extrakci rysů, ve kterých jsou rysy obličeje zobrazeny v ohraničujících rámečcích (ain 2001) a (b) zobrazuje detekovaný obličej v obdélníkovém rámečku, (Hiremath PS&Danti A únor 2006) Výše uvedený postup se opakuje pro každou