Юз тасвири бўйича шахсни идентификация қилиш методлари ва алгоритмлари

1. 
   Юз тасвири бўйича шахсни идентификация қилиш методлари ва алгоритмлари
   

Шахсни биометрик идентификация қилиш технологиялари орасида юз тасвири бўйича идентификациялаш масаласи энг кенг тарқалган усуллардан бири ҳисобланади. Бармоқ излари, нутқ ва бошқа биометрик таниб олиш тизимларга қараганда юз орқали таниб олиш тизимлари тезкорлиги, қулайлиги, кўп вазифалилиги каби афзалликларни эга. Шунинг билан бирга ушби турдаги тизимларни натажасига таъсир этувчи бир қанча ўзига хос мураккабликлар ҳам мавжудки, бундай муаммоларни бартараф этиш учун кўплаб илмий изланишлар олиб борилиб турли усул ва алгоритмлар таклиф қилинмоқда.
Юз тасвири орқали таниб олиш тизимлари самарадорлиги кирувчи тасвирнинг сифати, берилган юз тасвирининг информатив белгилари ва бу белгиларни ажратиб олиш имкониятлари, таниб олиш усуллари ва меъзонлари каби омилларга бевосита боғлиқ.
Юз тасвири орқали идентификация қилиш усуллари юзни аниқлаш ва таниб олиш хусусиятига кўра уч хил ёндашув ажратилади: локал, глобал ва гибрид ёндашувлар. Биринчи ёндашувда юзни фақатгина махсус нуқталаригина ҳисобга олиниб класификация қилинади. Иккинчи ёндашувда бутун ёз соҳаси берилган маълумот сифатида қаралади. Учинчи ёндашувда таниб олиш самарадолиги ошириш мақсадида юзнинг локал ва глобал хусусиятларидан биргаликда фойдаланилади (1-расм).

1-расм. Юз орқали таниб олиш усуллари [1].
Локал белгиларган асосланган ёндашув.
Локал белгилар асосланган таниб олиш тизимларида юзнинг айрим белгилари ишлатилади. Ушбу гурухга мансуб алгоритмлар турли юз ифодалари, окклюзия, позицияга нисбатан сезгир ҳисобланади. Ушбу ёндашувнинг асосий мақсади юзнинг махсус нуқталарини аниқлашдан иборат. Ўз навбатида ушбу ёндашувга мансуб алгоритмларни икки синфга ажратишимиз мумкин: юзнинг махсус нуқталари асосида таниб олувчи усуллари ва юзнинг локал кўринишига асосланган таниб олиш усуллари.
Юзнинг махсус нуқталарига асосланган технологиялар. Ушбу турдаги алгоритмлар юз соҳасининг айрим геометрик маълумотларига кўра (кўзлар ўртасидаги масофа, бошнинг кенглиги, ва бошқалар) юзнинг махсус белгиларини аниқлайди. Ушбу усулларнинг ишлаш жараёни икки босқичга ажратиш мумкин: махсус нуқталарни аниқлаш ва белгиларни ажратиб олиш. Юз тасвири белгиларини ажратиб олишда қуйидаги асосий тушунчалар мавжуд:

• 
  детектор – тасвирда махсус нуқталар қидирувини амалга оширади.;
  
• 
  дескриптор – детектор томонидан топилган махсус нуқталарни атрофидаги сохалар бўйича баҳолаб, тавсифлайди. Дескриптор хар бир махсус нуқта учун 64 (ёки 128) та сондан иборат тўпламни ифодалайди. Ушбу сонлар махсус нуқта атрофидаги градиент тебранишларини англатади. [2].
  

Қуйида юз тасвири орқали таниб олиш алгоритмларида қўлланиладиган дескриптоларни айримлари билан танишиб чиқамиз.
SIFT (Scale invariant feature transform- Масштабга нисбатан инвариант белгиларни шакл алмаштириш) – бу тасвирда юзнинг локал белгиларини аниқловчи ва тавсифловчи алгоритм бўлиб иккита юзнинг мос локал дескрипторлари бўйича боғлиқлигини аниқлаш учун ишлатилади. Алгоритм SIFT нинг асоссий ғояси юзни махсус нуқталар орқали ифодалашдан иборат. Ушбу махсус нуқталарда юз тасвирининг характерли маълумотлари мавжуд бўлади. SIFT масштаб ва бурилиш ва масштабга нисбатан инвариант ҳисобланади. SIFT дескриптори жуда тез ишлаши сабабли бугунги кунда жорий вақт режимида ишловчи тизимларда кенг қўлланилмоқда. Алгоритм тўрт босқичда амалга оширилади:

• 
  фазовий ўлчамларда максимум ва минимум нуқталар аниқланади;
  
• 
  характерли нуқталар жойлашуви аниқланади;
  
• 
  йўналиш белгиланади;
  
• 
  характерли нуқталар дескрипторлари аниқланади.
  

SIFT дескриптори асосида ишловчи таниб олиш тизими 2015 йилда таклиф этилган [3]. Критик нуқталарни солиштиришда кўп вақт сарфлаши ушбу алгоритмнинг камчиликларидан бири ҳисобланади.
SIFT дескрипторини шакллантириш учун аввал 16×16 пиксел ўлчамли махсус нуқта атрофига тегишли бўлган ҳар бир пикселда гриадиент магнитудаси ва йўналиши қийматларини ҳисобланади. Бунда градиентлар магнитудалари кўриб чиқилаётган махсус нуқтадаги математик кутилма ва доира кенглигининг ярмига тенг бўлган стандарт четланишга эга бўлган нормал тақсимот зичлиги функциясининг қийматига пропорционал бўлган вазнлар билан ҳисобга олинади (Гаусс тақсимоти вазнларидан махсус нуқтадан узоқда жойлашган пикселларда ҳисобланган градиентларнинг якуний дескрипторга таъсирини камайтириш учун фойдаланилади).
SIFT-дескриптор ёритилганликнинг аффин ўзгаришларига нисбатан инвариантдир. Бироқ, ёруғлиқ манбаининг уч ўлчамли объект юзасига нисбатан турли ориентацияси туфайли ёритилганликдаги ночизиқли ўзгаришлар ҳам юзага келиши мумкин. Бундай эффектлар айрим градиентларнинг магнитудаларига нисбатан катта ўзгаришни юзага келтириши мумкин (бунда у градиент вектори ориентациясига жуда кам даражада таъсир қилади). Бунинг олдини олиш учун маълум бўсағавий қиймат бўйича кесишдан фойдаланилади (тажрибалар натижалари бўйича 0.2 нинг оптимал қиймат эканлиги кўрсатиб берилди), у нормаллаштирилган дескриптор компонентларига қўлланилади. Бўсағавий қиймат қўлланилганидан кейин дескриптор яна нормаллашади. Шундай қилиб градиентлар катта магнитудаларининг қиймати камаяди ва ушбу градиентларнинг махсус нуқта атрофидаги ориентацияларининг тақсимот қиймати ортади.
SURF (Speeded-up robust features-Тезлаштирилган ишончли белгилар) дескриптори бир вақтнинг ўзида махсус нуқталарни қидиришни бажарувчи ва уларнинг масштаб ва айланишдаги ўзгаришларга нисбатан инвариант бўлган баёнини яратувчи дескрипторларга киради. Бундан ташқари муҳим нуқталарни қидиришнинг ўзи саҳнанинг ағдарилган объекти худди намуна билан бир хил махсус нуқталар тўпламига эга бўлиши маъносида инвариантликка эга бўлади.
Тасвирдаги махсус нуқталарни аниқлаш Гессе матрицаси асосида бажарилади [4]. Гессиантдан фойдаланилиши “буриш” типидаги шакл алмаштиришга нисбатан инвариантлик билан таъминлайди, бироқ масштаб ўзгаришига нисбатан инвариантлик мавжуд бўлмайди. Шунинг учун ҳам SURF Гессианни ҳисоблаш учун турли масштабдаги фильтрларни қўллайди.
SURF Гаусс ядроли фильтр билан бутун тасвир бўйлаб юриб чиқади ва Гессе матрицаси детерминантининг максимал қийматига эришиладиган нуқталарни топади. Шуни таъкидлаб ўтамизки, бундай ёндашув оқ фондаги қора доғларни ҳам, қора фондаги ёруғ доғларни ҳам ажратади.
Кейин ҳар бир топилган махсус нуқта учун ориентация – ёрқинлик тушишининг устунлик қилувчи йўналиши ҳисобланади. Ориентация тушунчаси градиент йўналиши тушунчасига яқин, бироқ махсус нуқта ориентациясини аниқлаш учун Хаар фильтри қўлланилади [5].
SURF дан объектларни қидиришда фойдаланилишини таъкидлаб ўтиш лозим. Шунга қарамасдан дескриптор объектлар тўғрисидаги маълумотлардан умуман фойдаланмайди. SURF тасвирни бир бутун сифатида қарайди ва бутун тасвирнинг хусусиятларини ажратади, шунинг учун у оддий шаклдаги объектлар билан яхши ишламайди.
SURF нинг камчилиги – оддий формадаги ва аниқ текстураларсиз объектлар учун ёмон ишлайди.
BRIEF (Binary Robust Independent Elementary Features-Бинар ишончли мустақил элементар белгилар)дескриптори [6] ўлчамли соҳанинг пикселларини (аввалдан, масалан, Гаусс фильтри билан текисланган) жуфт-жуфт қилиб солиштиришдан иборат бўлган шакл алмаштиришни аниқлаб беради :

бу ерда – соҳадаги координаталари бўлган нуқтадаги пиксел интенсивлиги. Бундай пикселларнинг ўлчамли жуфликлари “бинар тестлар” тўплами деб аталади. Шундай қилиб махсус нуқта дескриптори қуйидаги формула билан аниқланувчи –ўлчамли битли сатр деб аталади:

BRIEF усулининг асосий муаммолари бўлиб дескрипторларни ҳисоблаш учун нуқталарни оптимал бўлмаган тарзда танлаб олиш ва таниб олишда нуқталар ориентациясини ҳисобга олиб бўлмаслик ҳисобланади.