Principes de la technologie de reconnaissance faciale

La technologie de reconnaissance faciale fait référence à l'utilisation de la technologie informatique pour analyser et comparer des visages afin d'identifier des visages. La reconnaissance faciale est un domaine populaire de recherche en technologie informatique, qui comprend la détection du suivi du visage, l'ajustement automatique du grossissement de l'image, la détection infrarouge nocturne, l'ajustement automatique de l'intensité de l'exposition et d'autres technologies.

Principe technique

La technologie de reconnaissance faciale se compose de trois parties :

(1) Détection de visage

La détection de visage consiste à déterminer s'il existe une image de visage dans des scènes dynamiques et des arrière-plans complexes, et à isoler ces images de visage.

Généralement, il existe les méthodes suivantes :

①Méthode du modèle de référence

Concevez d'abord un ou plusieurs modèles de visage standard, puis calculez le test Le degré de correspondance entre les échantillons collectés et le modèle standard, et le seuil est utilisé pour déterminer s'il existe un visage

②Méthode de règle du visage

Étant donné que le visage a certaines caractéristiques de distribution structurelle, le donc -appelée La méthode des règles de visage consiste à extraire ces caractéristiques pour générer des règles correspondantes afin de déterminer si l'échantillon de test contient un visage

③Échantillon de méthode d'apprentissage

Cette méthode utilise des réseaux de neurones artificiels dans la reconnaissance de formes ; La méthode consiste à générer un classificateur en apprenant des ensembles d'échantillons d'images de visage et des ensembles d'échantillons d'images non faciales

④Méthode de modèle de couleur de peau

Cette méthode est basée sur la distribution relativement concentrée de la couleur de la peau du visage dans l’espace colorimétrique pour détecter les règles.

⑤Méthode de sous-face caractéristique

Cette méthode traite tous les ensembles d'images de visage comme un sous-espace d'image de visage et détermine si elle est basée sur la distance entre l'échantillon de détection et sa projection dans le sous-espace. Il y a une image de l'existence.

Il convient de mentionner que les cinq méthodes ci-dessus peuvent également être utilisées de manière globale dans des systèmes de détection réels.

Cours recommandé : Tutoriel PHP.

(2) Suivi des visages

Le suivi des visages fait référence au suivi dynamique des cibles des visages détectés. Plus précisément, un procédé basé sur un modèle ou un procédé basé sur une combinaison de mouvement et de modèle est utilisé. De plus, l’utilisation du suivi du modèle de couleur de peau est également une méthode simple et efficace.

(3) Comparaison de visages

La comparaison de visages consiste à confirmer l'identité de l'image faciale détectée ou à effectuer une recherche de cible dans la base de données d'images faciales. Cela signifie en fait que les images de visage échantillonnées sont comparées en séquence aux images de visage d'origine et que l'objet le mieux correspondant est trouvé. Par conséquent, la description de l’image faciale détermine la méthode spécifique et les performances de reconnaissance d’image faciale.

Utilise principalement deux méthodes de description : le vecteur propre et le modèle de motif facial :

①Méthode du vecteur propre

Cette méthode détermine d'abord l'iris et le nez La taille, la position , la distance et d'autres attributs de caractéristiques faciales tels que les coins de la bouche et les caractéristiques du visage sont ensuite calculés, puis leurs quantités de caractéristiques géométriques sont calculées, et ces quantités de caractéristiques forment un vecteur de caractéristiques qui décrit l'image faciale.

②Méthode de modèle de motif de visage

Cette méthode consiste à stocker un certain nombre de modèles d'images faciales standard ou de modèles d'organes faciaux dans la bibliothèque Lors de la comparaison, tous les pixels de l'image faciale échantillonnée sont comparés à Tous. les modèles de la bibliothèque sont mis en correspondance à l'aide de mesures de corrélation normalisées. De plus, il existe des méthodes qui utilisent des réseaux d'autocorrélation pour la reconnaissance de formes ou combinent des fonctionnalités avec des modèles.

Le cœur de la technologie de reconnaissance faciale est en fait « l’analyse locale des caractéristiques du corps humain » et « l’algorithme de reconnaissance graphique/neurale ». Cet algorithme est une méthode qui utilise divers organes et parties caractéristiques du visage humain. Par exemple, des paramètres d'identification de formation multi-données de relations géométriques correspondants sont comparés, jugés et confirmés avec tous les paramètres d'origine dans la base de données. Généralement, le temps de jugement doit être inférieur à 1 seconde.

Le processus de reconnaissance

est généralement divisé en trois étapes  :

(1) Créez d'abord un profil de visage. Autrement dit, une caméra est utilisée pour collecter des fichiers d'images faciales des visages du personnel de l'unité ou prendre leurs photos pour former des fichiers d'images faciales, et ces fichiers d'images faciales sont générés dans des codes d'impression faciale (Faceprint) et stockés.

(2) Obtenez l'image actuelle du visage humain. Autrement dit, utilisez un appareil photo pour capturer l'image du visage de la personne actuelle qui entre et sort, ou prenez une photo et saisissez-la, et générez un code de motif facial à partir du fichier d'image faciale actuel.

(3) Comparez le code actuel du motif facial avec l'inventaire des archives. Autrement dit, le code de motif facial de l'image faciale actuelle est récupéré et comparé au code de motif facial dans l'inventaire des archives. La méthode de « codage des motifs du visage » mentionnée ci-dessus fonctionne sur la base des caractéristiques essentielles et des débuts du visage humain. Ce codage de motifs faciaux est résistant aux changements de lumière, de teint, de pilosité faciale, de coiffure, de lunettes, d'expression et de posture, ce qui lui permet d'identifier avec précision un individu parmi des millions de personnes. Le processus de reconnaissance faciale peut être effectué automatiquement, en continu et en temps réel à l’aide d’un équipement de traitement d’image ordinaire.

Processus technique

Le système de reconnaissance faciale comprend principalement quatre composants, à savoir : la collecte et la détection d'images faciales, le prétraitement de l'image faciale, l'extraction, la correspondance et la reconnaissance des caractéristiques de l'image faciale.

Collecte et détection d'images de visage

Collecte d'images de visage : différentes images de visage peuvent être collectées via les objectifs de la caméra, telles que des images statiques, des images dynamiques, différentes L'emplacement, différent les expressions et autres aspects peuvent être bien collectés. Lorsque l'utilisateur se trouve à portée de prise de vue du dispositif de collecte, le dispositif de collecte recherchera et capturera automatiquement l'image du visage de l'utilisateur.

Détection de visage : la détection de visage est principalement utilisée pour le prétraitement de la reconnaissance faciale dans la pratique, c'est-à-dire pour calibrer avec précision la position et la taille du visage dans l'image. Les caractéristiques de motif contenues dans les images de visage sont très riches, telles que les caractéristiques d'histogramme, les caractéristiques de couleur, les caractéristiques de modèle, les caractéristiques structurelles et les caractéristiques de Haar, etc. La détection des visages consiste à sélectionner les informations utiles et à utiliser ces fonctionnalités pour réaliser la détection des visages.

La méthode de détection de visage traditionnelle utilise l'algorithme d'apprentissage Adaboost basé sur les fonctionnalités ci-dessus. L'algorithme Adaboost est une méthode utilisée pour la classification. Il combine des méthodes de classification plus faibles pour combiner des méthodes de classification nouvelles et plus fortes.

Dans le processus de détection de visage, l'algorithme Adaboost est utilisé pour sélectionner certaines caractéristiques rectangulaires (classificateurs faibles) qui représentent le mieux le visage, et le classificateur faible est construit en un classificateur fort selon la méthode de vote pondéré, et puis la formation. Les plusieurs classificateurs puissants obtenus sont connectés en série pour former un classificateur en cascade à structure en cascade, ce qui améliore efficacement la vitesse de détection du classificateur.

Prétraitement de l'image du visage

Prétraitement de l'image du visage : le prétraitement de l'image du visage est basé sur les résultats de la détection du visage, traitant l'image et enfin la servant dans le processus d'extraction des caractéristiques. L'image originale acquise par le système n'est souvent pas utilisable directement en raison de diverses conditions et d'interférences aléatoires, telles que la correction des niveaux de gris et le filtrage du bruit, qui doivent être effectués dès les premières étapes du traitement de l'image. Pour les images de visage, le processus de prétraitement comprend principalement la compensation de la lumière, la transformation des niveaux de gris, l'égalisation de l'histogramme, la normalisation, la correction géométrique, le filtrage et la netteté des images de visage.

Extraction de caractéristiques d'image de visage

Extraction de caractéristiques d'image de visage : les fonctionnalités qui peuvent être utilisées par le système de reconnaissance faciale sont généralement divisées en fonctionnalités visuelles, fonctionnalités statistiques de pixels et caractéristiques de l'image du visage. Caractéristiques du coefficient de transformation, caractéristiques de l'algèbre de l'image du visage, etc. L'extraction des traits du visage est effectuée sur certains traits du visage humain. L'extraction des caractéristiques du visage, également appelée représentation du visage, est le processus de modélisation des caractéristiques des visages. Les méthodes d'extraction de caractéristiques faciales peuvent être résumées en deux catégories : l'une est une méthode de représentation basée sur la connaissance ; l'autre est une méthode de représentation basée sur des caractéristiques algébriques ou un apprentissage statistique.

La méthode de représentation basée sur les connaissances est principalement basée sur la description de la forme des organes du visage et les caractéristiques de distance entre eux pour obtenir des données caractéristiques utiles pour la classification des visages. Ses composants caractéristiques incluent généralement l'Euclidien entre les points caractéristiques. Distance, courbure, angle, etc. Le visage humain est composé des yeux, du nez, de la bouche, du menton et d'autres parties. La description géométrique de ces parties et la relation structurelle entre elles peuvent être utilisées comme caractéristiques importantes pour identifier les visages humains. La représentation du visage basée sur la connaissance comprend principalement des méthodes basées sur des caractéristiques géométriques et des méthodes de correspondance de modèles.

Correspondance et reconnaissance d'images de visage

Correspondance et reconnaissance d'images de visage : les données de caractéristiques extraites de l'image de visage sont recherchées et mises en correspondance avec le modèle de caractéristiques stocké dans la base de données. En définissant un seuil, lorsque la similarité dépasse ce seuil, le résultat correspondant est affiché. La reconnaissance faciale consiste à comparer les traits du visage à reconnaître avec les modèles de traits du visage qui ont été obtenus et à juger les informations d'identité du visage en fonction du degré de similarité. Ce processus est divisé en deux catégories : l'une est la confirmation, qui est un processus de comparaison d'images un à un, et l'autre est l'identification, qui est un processus de correspondance et de comparaison d'images un à plusieurs.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!