Mundarija kirish i-bob. Yuz tasvirni biometrik identifikatsiyalash usullarini nazariy jihatlarni ko‘rib chiqish

1-bob. Yuz tasvirni biometrik identifikatsiyalash usullarini nazariy jihatlarini ko‘rib chiqish

Yuzni tanib olish jarayonini bir necha bosqichlarga bo‘lish mumkin:

• 
  tasvirda yuz soxasini aniqlash (yuzni aniqlash );
  
• 
  yuzni normallash;
  
• 
  yuz belgilarini hisoblash (belgilarni topish);
  
• 
  belgilarni taqqoslash.
  

1.1. Tasvirda yuz tasvirini aniqlash usullari
Yuzn Tasvirdagi yuzni aniqlash vazifasi yuzni tanib olish muammosini hal qilish jarayonidagi birinchi qadamdir.
Tasvirda yuz soxasini aniqlash uchun mavjud algoritmlarni to‘rt toifaga bo‘lish mumkin:
 oldindan belgilangan shablonlardan foydalanish;
 empirik usul;
 xarakterli invariant belgilar usuli;
 tashqi belgilar, o‘qitish usullari bo‘yicha aniqlash usuli.
Bilimga asoslangan yuqoridan pastga yo‘naltirilgan usullarga asoslangan empirik yondashuv fotografik inson yuzi deb hisoblanishi uchun javob berishi kerak bo‘lgan qoidalar to‘plamini amalga oshiradigan algoritmni yaratishni o‘z ichiga oladi. Ushbu qoidalar to‘plami yuzning tasvirda qanday ko‘rinishi va odam qanday qaror qabul qilishiga yo‘naltirilganligi haqida empirik bilimlarni rasmiylashtirishga urinishdir: u yuzni ko‘radi yoki ko‘rmaydi.
Asosiy qoidalar:
 yuzning markaziy qismi bir xil yorqinlik va rangga ega;
 yuzning markaziy va yuqori qismlari turli yorqinlikka ega;
 Yuzda burun, og‘iz va ikkita simmetrik joylashgan ko‘z mavjud bo‘lib, ular yuzning qolgan qismiga nisbatan yorqinligi bilan keskin farqlanadi.
Xalaqitni kamaytirish va hisoblash operatsiyalarini kamaytirish uchun kuchli tasvirni kamaytirish usuli qo‘llaniladi. Bunday tasvirda yorug‘likning bir xil taqsimlangan zonasini aniqlash osonroq bo‘ladi, so‘ngra ichkarida yorqinligi bilan keskin farq qiluvchi hududlar mavjudligi tekshiriladi. Aynan shu joylar yuz sifatida turli darajadagi ehtimollik bilan aniqlanishi mumkin.
Gistogramma qurish usuli tasvirning yuz joylashgan joylarini aniqlash uchun gorizontal va vertikal gistogramma quradi. Nomzod hududlarda esa yuz xususiyatlari qidiriladi. Ushbu yondashuv kompyuterli ko‘rishning rivojlanishining boshida qo‘llanilgan, chunki u protsessorning ishlov berish quvvatini talab qilmaydi. Yuqorida muhokama qilingan usullar oddiy bir xil fonga ega tasvirdagi yuzlarni aniqlashda yaxshi samaradorlikka ega va ularni amalga oshirish oson. Keyinchalik shunga o‘xshash ko‘plab algoritmlar ishlab chiqildi. Ammo bu usullarning barchasi ko‘p sonli yuzlar yoki murakkab fon bilan tasvirlarni qayta ishlash uchun mutlaqo yaroqsiz. Bundan tashqari, bu usullar odam boshining aylanishi va egilishiga juda sezgir.
Pastdan yuqoriga bilimga asoslangan xarakterli invariant xususiyatlar usullari (Feature invariant yondashuvlar) yuzni aniqlash usullarining ikkinchi guruhidir. Ushbu usullarda muammo boshqa tomondan ko‘rib chiqiladi: inson miyasida yuzaga keladigan jarayonlarni aniq rasmiylashtirishga urinish yo‘q. Bu yondashuv tarafdorlari yuz tasvirining xossalari va qonuniyatlarini bilvosita ochib berishga, qiyshayish burchagi va holatidan qat’i nazar, yuzning o‘zgarmas xususiyatlarini topishga harakat qiladilar.
Ushbu usullar guruhi algoritmlarining asosiy bosqichlari:
 tasvirlarda yuzning aniq belgilarini aniqlash: og‘iz, burun, ko‘zlar;
 yuzning chegarasi, shakli, rangi, teksturasi, yorqinligini aniqlash;
 barcha topilgan xususiyatlarni birlashtirish, keyin ularni tekshirish.
Murakkab fonli tasvirlarda yuzlarni aniqlash usuli yuz xususiyatlarining to‘g‘ri geometrik tartibini topishni o‘z ichiga oladi. Ushbu maqsadlar uchun turli yo‘nalishlar va masshtablar bilan Gauss filtri qo‘llaniladi. Keyinchalik, tasodifiy sanab o‘tish orqali topilgan xususiyatlarning muvofiqligi va ularning o‘zaro joylashuvi uchun qidiruv amalga oshiriladi.
Xususiyatlarni guruhlash usulining mohiyati Gauss filtrining ikkinchi hosilasidan tasvirni qiziqtiradigan joylarni topish uchun foydalanishdan iborat. Keyin, filtr yordamida qirralar har bir bunday maydon atrofida guruhlanadi. Shundan so‘ng, aniqlangan xususiyatlarni birlashtirish uchun Bayes tarmog‘i bahosi qo‘llaniladi - shunday qilib, yuz xususiyatlarini tanlash amalga oshiriladi.
Ushbu guruhning usullari turli pozitsiyalarda yuzni tanib olish qobiliyatiga ega. Ammo yuzning boshqa narsalar, yorug‘lik yoki xalaqit bilan biroz o‘xshashligi bilan tanib olish foizi keskin pasayadi. Tasvirning murakkab foni sezilarli ta’sir ko‘rsatadi. Tanib olish ob’ektining katta o‘zgaruvchanligi, yorug‘likka bog‘liqligi tasvirlarda yuzlarni aniqlashni yuqori murakkablikdagi vazifalar sifatida tasniflash imkonini beradi. Empirik qoidalardan foydalanish bizga yuz tasvirining ma’lum bir modelini yaratishga va bu muammoni bir nechta nisbatan oddiy tekshirishlarga kamaytirishga imkon beradi. Ammo oqilona asosga qaramay - tan olish uchun muvaffaqiyatli ishlaydigan vositani qo‘llashga harakat qilish - insonning ko‘rish qobiliyati, birinchi toifadagi usullar samaradorligi bo‘yicha hali ham prototipidan juda uzoqdir, chunki bu yo‘lni tanlagan tadqiqotchilar juda ko‘p qiyinchiliklarga duch kelishadi.
Shablonlardan foydalangan holda tanib olish (shablonlarni moslashtirish usullari). Shablonlar yuz tasvirining ma’lum bir standart tasvirini belgilaydi, masalan, yuzning alohida qismlarining xususiyatlarini va ularning mumkin bo‘lgan nisbiy pozitsiyalarini tavsiflash. Obrazga asoslangan yuzni aniqlash tasvirning har bir maydonini berilgan obrazga nisbatan tekshirishdan iborat.
Ushbu yondashuvning xususiyatlari:

• 
  Binar shablon:
  
• 
  deformatsiyalanadigan;
  
• 
  deformatsiyalanmaydigan;
  

• 
  shablonlar oldindan dasturlashtirilgan;
  
• 
  Korrelyatsiya tasvirdagi yuzni topish uchun ishlatiladi.
  

3D shakllardan foydalangan holda yuzni aniqlash usuli ikkita sohada yorqinlik nisbati juftlari ko‘rinishidagi shablondan foydalanadi. Yuzni aniqlash uchun berilgan shablon bilan taqqoslash uchun butun tasvirni ko‘rib chiqish kerak. Buni turli miqyosda qilish kerak.
Shablonlardan foydalangan holda tanib olishning afzalliklari - bu amalga oshirishning nisbiy qulayligi va unchalik murakkab bo‘lmagan fonga ega tasvirlarda yaxshi natijalar. Asosiy kamchilik - shablonni yuz tasviriga yaqin kalibrlash zarurati. Va yuzning turli burchaklari va burilishlari uchun shablonlarni hisoblashning katta mashaqqatliligi ulardan foydalanishning maqsadga muvofiqligini shubha ostiga qo‘yadi.
Tashqi xususiyatlar bo‘yicha yuzni aniqlash usullari (sinov tasvirlarini qayta ishlash orqali tizimni o‘qitish bosqichini amalga oshirish kerak bo‘lgan usullar). Tasvir yoki tasvirning bo‘lagi ma’lum bir hisoblangan xususiyat vektori bilan bog‘langan bo‘lib, u tasvirni ikki sinfga - yuzga / yuzga bo‘lmagan sinflarga ajratish uchun ishlatiladi. Odatda, yuz tasvirining matematik modelini qurishga asoslangan usullardan foydalangan holda tasvirda yuzni izlash barcha o‘lchamdagi tasvirning barcha to‘rtburchaklar qismlarini sanab o‘tish va har bir bo‘lakda yuz mavjudligini tekshirishdan iborat. Ammo to‘liq qidiruv sxemasi ortiqcha va yuqori hisoblash murakkabligi kabi kamchiliklarga ega bo‘lganligi sababli, mualliflar ko‘rib chiqilgan qismlar sonini kamaytirish uchun turli usullardan foydalanadilar.
Shuni ham ta’kidlash kerakki, eng muhim vazifa kuchli klassifikatorlarni ajratib ko‘rsatishdir, chunki ular rasmda aniqlangan xususiyatlarni tekshirish uchun eng muhim vazifa bo‘ladi. Kuchsiz klassifikatorlar soni ularning bir-biriga o‘xshashligi, shuningdek, xalaqit emissiyasi tufayli paydo bo‘lgan tasniflagichlarni olib tashlash tufayli kamaytirilishi kerak.
Ushbu vazifalarni bajarishning asosiy usullari:
 Sun’iy neyron tarmoqlari;
 Bosh komponent usuli;
 Faktorlarni tahlil qilish usuli;
 Chiziqli diskriminant tahlili;
 vektorlarni qo‘llab-quvvatlash usuli (SVM) ;
 Bayes klassifikatori;
 yashirin Markov modellari;
 Faol modellar ;
 Viola-Jons usuli va boshqalar.
Ulardan ba’zilarining xususiyatlarini ko‘rib chiqamiz. Bugungi kunda sun’iy neyron tarmoqlar usuli yuzni aniqlash muammolarini hal qilishning eng keng tarqalgan usuli hisoblanadi. Sun’iy neyron tarmoq - bu bog‘langan va o‘zaro ta’sir qiluvchi neyronlar tizimi bo‘lgan matematik model. Neyron tarmoqlar dasturlashtirilmagan, ular o‘qitilgan. Texnik jihatdan o‘rganish neyronlar orasidagi bog‘lanish (sinaps) koeffitsientlarini topishdan iborat.
O‘quv ob’ektlari to‘plamining axborot mazmunini sezilarli darajada yo‘qotmasdan, xususiyat maydonining o‘lchamini kamaytirish uchun ishlatiladi. Chiziqli fazodagi vektorlar to‘plamiga asosiy komponentlar usulini qo‘llash fazoning shunday asosiga o‘tish imkonini beradiki, to‘plamning dispersiyasi bazisning asosiy deb ataladigan dastlabki bir necha o‘qlari bo‘ylab yo‘naltiriladi. Shu tarzda olingan asosiy o‘qlar bilan qoplangan pastki fazo barcha bo‘shliqlar orasida optimal hisoblanadi, chunki u o‘quv majmuasini eng yaxshi tavsiflaydi. Bu tasniflash va regressiya tahlili uchun foydalaniladigan nazorat ostidagi o‘rganish algoritmlariga o‘xshash algoritmlar to‘plamidir. Bu usul chiziqli klassifikatorlar oilasiga kiradi. SVM sinflarni chiziqli ajratishga asoslangan.
Bugungi kunda Viola-Jones usuli yuqori unumdorlik va yuzni to‘g‘ri aniqlashning yuqori foizi nuqtai nazaridan eng istiqbolli hisoblanadi.
Usul asos bo‘lgan asosiy tamoyillar:
 tasvirda integral ishlatiladi, bu bizga yuzni tezda topish imkonini beradi;
 Haar xususiyatlaridan foydalaniladi, bu xususiyatlar yordamida yuz va uning xususiyatlarini izlash amalga oshiriladi;
 javob beruvchi tasniflagich ishlatiladi: shaxs/shaxs emas;
 Haar xususiyati kaskadlari yuz topilmagan oynalarni tezda yo‘q qilish uchun ishlatiladi.
Klassifikatorlar juda sekin o‘rganadilar, lekin yuzlar juda tez aniqlanadi. Agar kerakli ob’ekt rasmda kichik burchak ostida, taxminan 30 darajagacha bo‘lsa, algoritm yaxshi ishlaydi. Kattaroq egilish burchagida aniqlashlar foizi ancha past bo‘ladi. Afsuski, bu standart dasturda burilgan odamning yuzini 30 darajadan yuqori burchak ostida aniqlashga imkon bermaydi, bu esa zamonaviy yuzni aniqlash tizimlarida ushbu algoritmdan foydalanishni juda murakkablashtiradi yoki imkonsiz qiladi.
Raqamli tasvirda odamning yuzini aniqlash vazifasi quyidagicha. Masalan, odam yuzi mavjud bo‘lgan tasvir bor. U piksellarning ikki o‘lchovli matritsasi bilan ifodalanadi, unda har bir piksel, agar tasvir kulrang, 0 dan 255 gacha, agar tasvir rangli bo‘lsa, 0 dan 2553 gacha qiymatga ega. Algoritm yuzlarni aniqlashi va ularni belgilashi kerak - qidiruv to‘rtburchaklar xususiyatlariga ega tasvirning faol qismida amalga oshiriladi, uning yordamida topilgan yuz tasvirlanadi. Oddiy qilib aytganda, skanerlash oynasi yondashuvi qo‘llaniladi. Tasvir qidiruv oynasi tomonidan skanerlanadi, so‘ngra har bir pozitsiyaga klassifikator qo‘llaniladi.
Ma’lumotlar bilan har qanday harakatlarni bajarish uchun Viola-Jones usulida tasvirlarning integral tasviri qo‘llaniladi. Integral ko‘rinish tasvirdagi ixtiyoriy to‘rtburchaklar maydonining umumiy yorqinligini tezda hisoblash imkonini beradi va bu maydon qanday o‘lchamda bo‘lishidan qat’iy nazar, hisoblash vaqti doimiydir.
Tasvirning integral tasviri asl tasvir bilan bir xil o‘lchamdagi matritsadir. Uning har bir elementi ushbu elementning tepasida va chap tomonida joylashgan barcha piksellarning yorqinlik yig‘indisini saqlaydi. Standart Viola-Jones usuli Haarga o‘xshash to‘lqinlar deb ataladigan to‘rtburchaklar xususiyatlardan foydalanadi. Ularni hisoblash uchun yuqorida muhokama qilingan integral tasvir tushunchasi qo‘llaniladi. Haar belgilari mos ravishda X va Y o‘qlari bo‘ylab yorqinlik farqining nuqta qiymatini beradi.
Xususiyatlar bilan oynani skanerlash algoritmi quyidagicha. O‘rganilayotgan rasm mavjud, skanerlash oynasi va foydalaniladigan funksiyalar tanlangan. Keyin skanerlash oynasi 1 oyna katakchasi qadami bilan tasvir ustida ketma-ket harakatlana boshlaydi. Skanerlash turli masshtablar uchun ketma-ket amalga oshiriladi va tasvirning o‘zi emas, balki skanerlash oynasi o‘lchanadi. Barcha topilgan xususiyatlar klassifikatorga o‘tadi, u yuzning topilgan yoki topilmasligini hal qiladi.
Kam quvvatli shaxsiy kompyuterlarda barcha xususiyatlarni hisoblash oson emas. Shuning uchun klassifikator faqat kerakli xususiyatlar to‘plamiga javob berishi kerak. Shuning uchun klassifikatorni ma’lum bir kichik to‘plam bo‘yicha yuzlarni topishga o‘rgatish kerak. Buni kompyuterni avtomatik ravishda o‘rgatish orqali amalga oshirish mumkin.
Algoritm kontekstida sinflarga bo‘lingan ko‘plab tasvirlar mavjud. Bir nechta tasvirlar berilgan, ular uchun ular qaysi sinfga tegishli ekanligi ma’lum, masalan, "burunning old holati" sinfi. Ushbu bir nechta tasvirlar o‘quv namunasidir. Qolgan rasmlarning sinfga mansubligi noma’lum. Dastlabki to‘plamdan ixtiyoriy ob’ektni tasniflash qobiliyatiga ega bo‘lgan algoritmni qurish talab qilinadi. Ushbu muammoni hal qilish uchun kuchaytiruvchi texnologiya mavjud. Boosting - bu analitik modellarning aniqligini oshiradigan usullar to‘plami. Kichik miqdordagi tasniflash xatolariga yo‘l qo‘yadigan model "kuchli" deb ataladi. "Zaif" ishonchli tasniflashga imkon bermaydi va ishda ko‘p xatolarga yo‘l qo‘yadi.
Yuzni qidirish algoritmini kuchaytirish:

• 
  To‘rtburchaklar xususiyatlari bo‘yicha zaif tasniflagichlarni aniqlash;
  
• 
  Skanerlash oynasining har bir harakati uchun har bir misol bo‘yicha to‘rtburchaklar xususiyati hisoblanadi;
  
• 
  Har bir xususiyat uchun eng mos chegara tanlanadi;
  
• 
  Eng yaxshi xususiyatlar va eng yaxshi chegara tanlanadi;
  
• 
  Namuna qayta tortiladi.
  

Kuchli tasniflagichlarning kaskad modeli qaror daraxti bo‘lib, unda har bir tugun barcha qiziqish shakllarini aniqlaydigan va obraz bo‘lmagan hududlarni rad etadigan tarzda qurilgan. Ushbu turdagi kaskad modeli aniqlangan obrazlar soni kichik bo‘lgan tasvirni qayta ishlash uchun idealdir. Bunday holda, usul tezda ushbu mintaqada tasvir yo‘qligini aniqlashi va keyingisiga o‘tishi mumkin.
Agar tizimga rangli tasvir kiritilgan bo‘lsa, u holda tasvirni rang kodlash yordamida oldindan ishlov berilsa, algoritm tezligini sezilarli darajada oshirish mumkin. Rangni kodlash ham noto‘g‘ri pozitivlarni kamaytirishga yordam beradi.
Bugungi kunda Viola-Jones algoritmi yuqori javob aniqligi va yuqori tezligi tufayli eng mashhur hisoblanadi.