国际创新研究期刊》的研究在科学、工程和技术
菜单ISSN在线(2319 - 8753)打印(2347 - 6710)
ISSN在线(2319 - 8753)打印(2347 - 6710)
Sonu Agrawal1和蛇2,桑杰库马尔3
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术
生物识别技术是自动识别或验证一个人的身体特征或个人特质。“自动”一词意味着生物识别系统必须迅速识别或验证一个人类特征或特征与很少或没有用户干预。人脸识别系统非侵入性意味着它允许用户确定,只要走过一个摄像头。人类经常互相识别独特的面部特征。自动人脸识别还使用特定的面部特征,本质上是独一无二的。人脸识别是人类监测最成功的形式。这项工作的基本思想集中在语料库的升级(数据库)通过使用一个基于特征提取方法结合最小化算法搜索过程。这种方法可能适用于其他数据库中数据项随时间如人的签名和其他行为活动。提议的想法首先从脸部图像提取特征。这些提取的特征存储在数据库培训期间。 Later on this database is used for identification. At the time of identification certain fitness function is calculated, if the value of fitness function decreases below a threshold value then the database is updated with features extracted from new image that is being identified. As in proposed idea the corpus is updated during recognition phase, it is expected to gives high acceptance rate as compared to static matching of face images. The application of this project range from static matching of controlled format photographs such as passports, credit cards, photo ID’s, drivers licenses, and mug shots to real time matching of surveillance video images.
关键字 |
| 误判率、生物特征、年龄不变、语料库学习,数据库优化 |
我的介绍。 |
| 人脸识别是最重要的生物特征之一似乎是一个很好的妥协现状和社会之间的接待和平衡安全和隐私。也有很多潜在的应用在信息安全、执法和访问控制[1]。更多的努力一直致力于人脸识别,因为商品的可用性相机和部署机会在许多安全场景。然而,人脸识别是容易在实践中遇到的各种各样的因素,如姿势和灯光的变化,表达差异,年龄差异,面部遮挡。图1和图2展示的例子和照明变化和遮挡。当地的基于特征的识别提出了克服全球变化姿势和灯光变化[5]。使用多个帧时间相干性在视频和真实感三维人脸模型也被提出,提高识别率。 |
 |
| 姿势变化:姿势变化的一个主要来源,在人脸识别性能下降。面前出现的是一个3 d对象的不同取决于哪个方向面成像。因此,它是可能的,拍摄的图像在同一主题的两个不同的观点(intra-user变异)不同可能出现超过两个从同一角度拍摄的图像有两个不同的主题(inter-user变异)。 |
| 照明变化:它已经表明,面对同一个人的图像的差异由于严重的照明变化可以更重要比不同人面对图像的差异。因为面对是一个3 d对象,不同的照明源可以产生不同的照明条件和阴影。已经有研究开发健壮的对照明变化不变的面部特征,并利用先验知识学习和弥补照明变化照明基于训练数据来源。这些方法提供视觉增强面部后图像照明标准化并展示提高识别的准确性高达100%。 |
 |
| 阻塞:脸图像经常出现堵塞由其他对象或面对本身(即。遮挡),特别是在监控视频。大多数的商业人脸识别引擎拒绝一个输入图像时眼睛不能被检测到。提出了基于局部特性的方法来解决遮挡问题。 |
| 表达式:面部表情是一个内部变化导致大型内部类变异。有一些地方特色为基础的设计方法和基于三维模型的方法处理表达式问题。另一方面,面部表情的识别是一个活跃的研究领域在人机交互和通信。 |
| 年龄差异:老化对人脸识别性能的影响还没有被充分研究。有很多原因解释缺乏研究老化的影响: |
| (我)构成和照明变化更关键因素降低人脸识别的性能。 |
| (2)模板update1可以作为一个简单的方法进行老化变异。 |
| (3)没有公共领域数据库为研究衰老直到最近。 |
| 脸上衰老相关的变化出现在许多不同的方式: |
| (我)皱纹和斑点, |
| (2)体重,和 |
| (3)改变形状的脸原语(例如,凹陷的眼睛,脸颊,或口)。 |
| 所有这些衰老相关的变化降低人脸识别性能。这些变化可能是学习和人为引入或删除一脸图像提高人脸识别的性能。尽管可以更新模板图像作为时代主题,模板更新并不总是可能在失踪的孩子的情况下,检查,和多个招生问题,主题是不可用或故意试图隐藏他们的身份。因此,面部老化在人脸识别已成为一个重要的研究问题。 |
二世。相关工作 |
| 从文献发现,人脸识别是一个持续的去年50年以来的研究领域。大部分的工作已经由使用统计特征,几何特性,颜色、面部表情、姿势和老化。大多数人脸识别研究解决老龄化问题的重点是年龄估计或模拟。设计一个合适的年龄特征表示和有效的匹配框架不变的人脸识别仍然是一个开放的问题。许多研究人员所使用的算法对于PCA的人脸识别,LDA, Eigenspace-based适应性(EP),弹性图匹配,三维morphable模型,内核方法等等。也发现,大部分工作集中在老化,使用PCA算法。 |
| 个人的老化模式取决于不同的因素很难模型在计算框架。但是人类很擅长匹配面临跨年龄进展[7]。这可能意味着,不管具体的方式,一个人年龄,有一个相干的面部外观随着年龄的变化。这激励我们捕捉和利用相干识别age-separated面孔。具体来说,我们分析的一致性飘在不同的面部特征来验证两个age-separated图像是否属于同一个人或不是。我们使用的面部特征匹配的方法在两个图像来计算位移。从人脸面部特征不具体,它并不总是定位所有的面部特征。也出现体重增加/减少变化将影响到面部特征。对于不同的图像对,不同数量的特性在不同的位置可以提取。此外,由于位移的特性依赖于底层的面部肌肉结构,这些信息可以用来获得一个更好的衡量漂移的一致性。 Also, measures to capture textural variations with aging may be useful for matching age-separated images in adults. |
三世。遗传算法 |
| 遗传算法[10]是一种启发式技术用于解决优化问题。优化问题试图找到最好的解决方案对于一个给定的问题,有几个参数相关的约束。最基本的工具,用于解决优化问题是完整的枚举所有可能的选择,微积分,使用单纯形算法和线性优化技术。在遗传算法的步骤进行优化的数据库如下。 |
| 1。创建初始种群,遗传算法选择一个初始染色体随机指定大小的人口。换句话说,它填补了在随机输入变量与可接受的值。一套完整的输入变量是一个染色体,它使得尽可能多的这些指定。例如,如果用户请求20人口成员问题的定义,它们是由随机值分配给基因,根据设定的范围时,基因被定义。这提供了一个初始为第0代人口的20国集团成员。 |
| 2。染色体解码- GA的“健身”评估发现它如何满足每一个染色体的适应度函数。最佳答案如何,这组输入值产生? |
| 3所示。秩序的染色体,在每一代,人口成员评估,然后下令根据他们的健康。 |
| 4所示。选择染色体将伴侣——为了使交叉出现,我们必须对两个人口成员,可以交换基因。伴侣的选择是使用进化原则。给出最好的健身,成员交配的可能性更高,这就增加了优良的后代的机会。伴侣的选择是通过使用一个轮盘赌中“毕业”。 |
| 5。执行交叉,一旦人口的成员及其配偶选择,它必须确定哪些基因交换。这是通过随机选择两个字符串“剪点”的基因。基因之间的两个切割点之间会交换人口成员及其选择的伴侣。 |
| 6。商店的后代,每个成员的人口将有机会根据上述“轮盘赌选择伴侣。这将导致一个新的人口与原始人口规模是一样的。 |
| 7所示。染色体变异选择——创建了新的人口后,随机选择成员的人口将进行变异根据用户的设置。随机变异,遗传算法随机选择人口成员根据指定的变异概率进行变异。GA然后随机选择基因突变将根据指定的概率。接下来,每个基因选择将计算,它是增加或减少从原始基因。基因的新值检查,以确保它不去指定范围之外的。 |
| 8。替换的部分人口与优越的突变和优越的前代成员——适合每个成员将所有的基因都突变后重新计算。人口成员然后命令根据他们的健康。最好的老成员的人口可能被添加到新的人口在一些算法,除非最好的老成员的人口不如最糟糕的新的人口的成员。遗传算法使一个或多个从每一代最好的成员表示将“精英主义”。这让最好的成员的人口从一代一代的恶化,并确保健身最好的成员只能改善或保持不变。它也给“精英”,适应性个体后代进一步产生后代的机会。 |
| 9。创建新一代一旦完成了,人口已经准备好创建另一个。人口将循环通过一代又一代,直到退出条件满足。 |
四、方法 |
| 该模型包含两个主要阶段的处理图像。验证阶段和升级阶段两个阶段。验证阶段是一些现有技术从现场获得的图像的相机或来自其他来源。获取图像预处理完成后删除噪音。这预处理图像然后用特征提取阶段,后跟一个验证阶段。这些阶段将在下一节中讨论。升级阶段的关键模型数据库的定期更新现有的信息和当前信息的基础上,利用遗传算法。图3显示的基本框图提出的年龄不变的人脸识别的方法。整个图分为两个街区。验证块位于右侧和左侧升级的块。 |
 |
| a验证阶段:让我们先讨论验证阶段。在当前场景训练数据库用于验证的目的。它始于获取视频直播的正面形象。该模块将持续监测的实时视频人脸,将仍然很快就出现一个正面的形象。这仍然图像预处理即图像增强,定位感兴趣的区域,图像分割和裁剪。 |
| 从给定的图像预处理特征提取后。这项工作将是使用弹性图群映射技术实现因此在特征提取阶段里程碑点自动识别。伽柏飞机用于表示具有里程碑意义的飞机信息EBGM算法。伽柏飞机是由卷积具有里程碑意义的位置与伽柏面具的集合。因此,伽柏飞机将包含一个好的描述当地的频率在具有里程碑意义的信息。伽柏小波的结构允许这些信息权重立即在该地区周围的具有里程碑意义的,同时还覆盖足够的图像得到一个好的里程碑式的描述。伽柏飞机作为特征向量描述的具有里程碑意义的飞机。具有里程碑意义的相似性是只基于伽柏飞机从两个地标。伽柏的飞机都是基于各种伽柏面具和包含一个具有里程碑意义的准确描述。因此,飞机的相似性是地标的相似性的一个最佳指标。 |
| 作为最后一步提取这些特征伽柏喷射的形式与功能已经存储在语料库。成功匹配的图像验证或是拒绝。如果面对成功匹配验证当前的信息存储在数据库和相关的匹配信息进一步处理。 |
| b .升级阶段:这一阶段的复杂性远远高于验证阶段。它基本上是负责随时升级的数据库来代替过时的数据与未使用的新鲜信息。这个阶段会出现周期性的像晚上或一次弱,甚至是一年一次的频率取决于单个用户的验证。在这升级阶段遗传算法的概念已经适应。已经讨论过的图像验证成功地存储在一个临时数据库。这些存储图像联合从语料库和相关数据,然后应用遗传算法来优化更好地接受配给的语料库。一般验收率随着时间减少面对人类会随着时间而改变。提议的想法基本上是维持和增加(在某些情况下)的接受率。图4描述了详细的升级阶段,应用遗传算法优化语料库。 |
| 遗传算法是一种启发式技术用于解决优化问题。优化问题试图找到最好的解决方案(s)对于一个给定的问题,有几个参数与相关约束(目标或参考资料)。在遗传算法的提出想法以下步骤使用: |
| •开始生成随机n条染色体的人口问题)(合适的解决方案。在这个阶段的特点,选择一个对象从数据库即语料库和临时数据库。每个对象将伽柏集的数量已经存储在语料库以及一些新的集也可以在临时数据基础。 |
| •健身评估健康f (x)中每个染色体x的人口。提出了模型中的健身数量将直接成正比的次数设置用于验证的目的。健身数量将高更频繁地使用的一组相对于其他组为同一对象。 |
| 重复,直到获得阈值 |
| •选择从人口根据他们选择两个父染色体健身(更好的健身,更大的机会被选中)。 |
| •交叉交叉父母形成新的后代(孩子)。如果没有交叉进行,子女是父母的精确复制。提出了模型中不需要这一步。 |
| •突变变异新后代在指定位置(s)染色体。伽柏集将被计算的平均位移改变所有选择集。 |
| •接受生成新的人口通过将新的后代。新突变伽柏集将取代现有的伽柏集健身价值最低的为特定的对象。 |
| •返回当前种群中最好的解决方案。目前语料库数据将被替换为新的数据集执行上面的迭代之后获得的。 |
 |
诉的结论 |
| 人脸识别是一个具有挑战性的问题在图像分析和计算机视觉领域获得了极大的关注,但在过去的几年里,因为它的许多应用程序在不同的领域。研究在这一领域进行了大力在过去的50年左右的时间里,虽然取得了巨大的进展,取得了令人鼓舞的结果和目前的人脸识别系统已经达到一定程度的成熟当约束条件下操作;然而,他们还远未实现的理想能够充分表现在各种情况下常见的应用程序利用这些技术在实际生活。 |
| 在拟议的工作充分优化数据库将获得人脸图像,这将是能够识别一个人有效地不分年龄。算法在任何年龄阶段将使用优化数据库因此它给出了可接受的结果。这个算法将定期优化数据库的复杂性算法验证过程中不会影响现有的算法。在拟议的工作中,将进行一次彻底的数学分析识别的脸从正面特征提取和优化数据库。为了实现目标的不变的人脸识别这个模型与遗传算法肯定会增加接受率。该算法可以扩展到其他系统中对象随时间喜欢在银行应用程序签名。 |
引用 |
|