CAPITOLUL 1 [ 1 ] : Introducere 1.1. De ce recunoasterea faciala? Data fiind cerinta de identificare a oamenilor, intrebarea evidenta este “ Care… [308657]

CAPITOLUL 1 [ 1 ] : Introducere

1.1. De ce recunoasterea faciala?

Data fiind cerinta de identificare a oamenilor, intrebarea evidenta este “ Care tehnologie este cea mai potrivita pentru a furniza aceste informatii? ”. [anonimizat]. Verificarea majoritatilor persoanelor si metodele de identificare sunt azi PASSWORD \ PIN ( personal identification number ) si sistemul TOKEN ( cum ar fi permisul de conducere ). [anonimizat], s-a [anonimizat], pentru a [anonimizat]. Amprenta digitala este clasica pentru biometrie; tehnologii mai noi includ recunoasterea dupa retina si iris.

Pentru tranzactiile bancare si intrarea intr-o [anonimizat], cat si social. Ele reclama pozitionarea corpului fata de senzori si o pauza de 1 secunda pentru a se autodeclansa. Aceasta interactiune “ pauza-declaratie ” nu se poate schimba din cauza greutatii mici. [anonimizat] o prezicere a interactiunii : [anonimizat].

In timp de “ pauza-prezentare ” si perceptia prezicerii sunt aplicabile in sisteme de inalta securitate ( ele facand sistemul sa para mult mai pur ). [anonimizat], [anonimizat].

[anonimizat] ( capabile sa recunoasca la o distanta fara sa ceara oprire si prezentare ), sunt de obicei pasive ( nu cer iluminare electromagnetica generala ) nu restrictioneaza miscarile si sunt ieftine si slabe. [anonimizat], este identificarea umana a altor oameni dupa fetele lor si dupa voci; va fi confortabila cu sisteme care folosesc recunoasterea dupa fata si voce.

1.2. Cum este folosita tehnologia recunoasterii faciale ?

[anonimizat], de obicei in combinatie cu camerele video. Pana acum s-au folosit 3 astfel de recunoasteri faciale in S.U.A. Prima, [anonimizat] 11 sept 2001. [anonimizat] : LOGAN AIRPORT ( BOSTON ) ; T.F. GREEN AIRPORT ( PROVIDENCE ) ; R.I. SAN FRANCISCO NATIONAL AIRPORT si FRESNO AIRPORT ( CALIFORNIA ). A doua folosire a tehnologiei a fost la campionatul din 2001 din Tampa ( SuperBowl ), unde s-au facut poze fiecarui ocupant in timp ce intrau pe stadion ( prin poarta ) si se comparau cu baza de date tinuta secret. [anonimizat]-ul a mentionat 19 indivizi. Politia a [anonimizat] “ criminal ”, care nu facuse altceva decat sa incerce sa intre fara bilet.

Tehnologia a [anonimizat], care a antrenat camere asupra publicului in speranta de a prinde eventualii suspecti. [anonimizat] e clar ce criterii s-au folosit pentru includerea fotografiilor in baza de date. Operatorii nu au prins inca nici un criminal. Mai mult, in Anglia, unde politia a raspandit in mod public camere video, orasul NewHam a fost experimentat cu noua tehnologie.

1.3. Recunoasterea faciala : cum lucreaza ?

Sistemele de recunoastere faciala sunt reconstituite pe soft-uri care analizeaza imagini ale fetei oamenilor, cu scopul de ale identifica. Programul ia o imagine faciala, masoara caracteristici ca distanta dintre ochi, lungimea nasului, unghiul maxilar si creeaza un fisier unic denumit sablon. Folosind aceste fisiere soft-ul compara acea imagine cu o alta si obtine un rezultat care masoara cat de asemanatoare sunt imaginile.

Sursele tipice de imagini folosite in recunoasterea fetei includ semnalele de camera video si fotografii preexistente ca acelea din baza de date a permiselor de conducere.

Recunoasterea faciala utilizeaza trasaturi distincte ale fetei, incluzand partea de sus a ochilor, aria care inconjoara oasele obrajilor, laturile gurii, asezarea nasului si a ochilor – pentru a performa verificarea si identificarea. Majoritatea tehnologiilor este oarecum rezistenta la schimbari moderate in frizura, pentru ca, nu utilizeaza ovalul fetei de langa par. Cand se foloseste modul de identificare, recunoasterea faciala opune de regula listelor de asemanari a candidatilor un singur mod de identificare ( cum ar fi amprenta digitala sau scanarea irisului ).

Fig. 1 [ 2 ]

1.4. Cat de bine lucreaza recunoasterea faciala ?

Calculatoarele pot face lucruri uimitoare, dar nu si minuni. Daca omul nu poate identifica subiectul dupa poza, de ce ar putea-o face calculatorul? Creierul uman este adaptat la recunoasterea faciala , minorii de exemplu isi amintesc figurile mai bine decat alte persoane si prefera sa se uite la ei decat la sabloane. Creierul uman este de departe mai inteligent decat calculatoarele, la acomodarea schimbarilor de lumina si unghi. Ideea este ca fetele sunt schite complexe, care difera adesea in puncte subtile si este imposibil pentru om sau masina sa potriveasca imaginile cand sunt diferente de lumina, atunci cand camera sau unghiul dau schimbari.

Nu este surprinzator ca guvernele studiaza soft-urile recunoasterii faciale si au gasit raporturi ridicate de “ falsuri pozitive ” ( potrivirea gresita a persoanelor in baza de date ) si “ falsuri negative ” ( oameni neprinsi , chiar daca poza lor era in baza de date ). O problema ar fi ca spre deosebire de amprenta sau iris fetele noastre nu raman aceleasi peste timp. Aceste sisteme sunt usor “ pacalibile ” ( impiedicate ) prin schimbarea frizurii, parului facial sau greutatii corporale, prin simple deghizari si prin efectele varstei . La un studiu al NIST ( NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY ) de exemplu s-au gasit “ falsuri negative ” pentru recunoasterea fetei, verificand 43 de persoane folosind poze ale subiectilor de acum 18 luni. Acele poze fusesera luate in conditii perfecte, lucru semnificativ, pentru ca soft-ul de recunoastere faciala este groaznic la schimbarea luminii si al unghiului camerei sau al fundalului. NIST a studiat de asemenea si a gasit ca o schimbare de 45 de grade a unghiului camerei, transforma soft-ul intr-unul nefolositor. Tehnologia lucreaza in conditii riguroase, cand subiectul priveste direct in camera, in lumina puternica. Un alt studiu al departamentului de aparare a gasit erori majore chiar si in aceste conditi ideale. In plus, s-au pus intrebari cat de bine poate lucra soft-ul cu oamenii de culoare a caror figuri pot sa nu apara clare la utilizarea aparatului pentru persoane cu piele deschisa.

Samir Nanavati din IBG ( INTERNATIONAL BIOMETRIC GROUP ), cu o firma de consultanta a conchis: “ Te poti astepta ca un sistem biometric sa capteze un procent foarte mic de criminali, infractori intr-o baza de date data ”.

1.5. Calitatea imaginii

Performanta tehnologiei recunoasterii faciale. Calitatea mica a imaginilor duce la rezultate nedorite in mai mare masura decat calitatea superioara a acestora. De exemplu, multe baze de date fotografice asociate cu carnetele de conducere sau pasapoarte, contin fotografii de calitate indoielnica astfel incat pot reduce acuratetea imaginii. Probleme similare, la fel de bine cunoscute sunt la supraveghere. Daca imaginea faciala si asemanarile por fi corect obtinute prin calitate ridicata, performanta creste substantial. Pentru recunoasterea faciala la o distanta putin mai mare decat distanta normala exista o stransa corelare intre calitatea camerei si capacitatea sistemului.

Fig. 2

1.6. Rularea procesului de scanare faciala

Exista 4 pasi de definire a procesului de rulare, a procesului tehnologic de scanare faciala: proba captura, extragerea trasaturilor, comparatia sablonului si potrivirea. Inscrierea consta in general in 20-30 sec, timp in care sunt luate cateva fotografii ale unei figuri. Ideal este ca seriile de fotografii sa fie luate din unghiuri cu mici diferente si expresii faciale putin diferite pentru a permite o mai corecta asemanare. Dupa inscriere sunt extrase trasaturi distincte ( sau generate imagini de referinta ) ca rezultat al creatiei unei imagini. Sablonul este mult mai mic decat imaginea din care provine: imaginile faciale pot cere 15-30kb, sabloanele serie de la 84 biti pana la 3000 biti. Sabloanele mici pot fi folosite normal pentru potrivirea 1:N.

Verificarea si potrivirea urmeaza aceeasi pasi. Userul “ pretinde ” o identitate prin introducerea numelui, sta in picioare in fata camerei cateva secunde si este sau nu recunoscut. Aceasta comparatie se bazeaza pe similitudini cu fisierele din baza de date. Punctul in care doua imagini sunt suficient de asemanatoare, cunoscut sub numele de prag, poate fi ajustat pentru persoane diferite, P.C.-uri, perioada a zilei si alti factori.

1.7. Verificare vs. Identificare

Sistemele de verificare prin scanarea faciala vs. identificare, difera in mai multe feluri. Prima deosebire este ca identificarea nu cere identitate. In loc sa folosesti PIN sau nume care livreaza sau infirma confirmarea, sistemul de identificare raspunde la intrebarea “ Cine sunt eu? ”. Daca sunt doar cateva nepotriviri in date, aceasta intrebare nu este ceruta: pentru ca baza de date creste foarte mult la zeci si sute de mii, lucrul acesta devine din ce in ce mai greu. Sistemul poate doar sa se refere la un numar de candidati. Interventia umana poate apoi fi ceruta la stagiul final de verificare.

O variatie de o secunda in identificare este egala cu dinamica intre subiectul tinta si cel captat. In verificare isi asuma o audienta cooperanta, sau intelegerea subiectilor care sunt motivati in folosirea corecta a sistemului. Sistemele de scanare faciala, depinzand de tipul exact de implementare, pot fi optimizate de subiecti non sau necooperativi. Subiectii noncooperativi sunt aceia care sau carora nu le pasa si nu fac nici un efort sa evite recunoasterea. Necooperantii evita activ si pot folosi deghizari sau lua diferite masuri evazioniste.

Tehnologiile scanarii faciale pot identifica subiecti cooperanti si este complet incapabil de a identifica subiecti necooperanti.

1.8. Tehnologiile primare de recunoastere faciala

Cele 4 metode primare de recunoastere faciala pentru identificarea si verificarea subiectilor includ trasaturi specifice, retele neuronale si procesarea automata a fetei. Unele tipuri de scanare faciala sunt mai utile decat altele pentru aplicatii cum ar fi cele din domeniul judiciar, cele de acces la retea si cele de supraveghere.

Trasaturi specifice, adica “ fata unei anumite persoane ” este o tehnologie bazata pe MIT, care utilizeaza doua scale de imagini bidimensionale, reprezentand caracteristici distincte ale unei imagini faciale. Variatii ale unei trasaturi specifice sunt folosite frecvent ca metoda de baza de recunoastere a altor fete. Dupa cum sugereaza grafica caracteristicii distincte a intregii figure sunt ascunse pentru a fi folosite in autentificari viitoare. Marea majoritate a figurilor poate fi reconstituita prin combinarea a 100 – 125 de trasaturi. Referitor la promovare, trasaturile subiectului sunt trasate sub o serie de coeficienti. Pentru o autentificare de 1 la 1 in care imaginea este folosita pentru a verifica o identitate reclamata, trasatura unei varste este comparata cu trasaturile promovate pentru a determina coeficientii de variatie. Gradul de variatie al trasaturilor, desigur, va determina acceptarea sau respingerea. Pentru identificarea de la 1 la multe, se aplica acelasi principiu dar cu un set de comparatii mult mai mare. Ca toate tehnologiile de recunoastere faciala, tehnologia trasaturilor este bazata pe utilizarea imaginilor frontale.

Analiza faciala este, poate, cea mai raspandita tehnologie de recunoastere faciala. Aceasta tehnologie este inrudita cu trasaturile specifice, dar se poate acomoda mult mai usor la schimbarile aspectului facial ( ex: zambet vs. incruntare ). Visionics, o companie proeminenta de recunoastere faciala foloseste LFA ( local feature analysis – analiza infatisarii locale ) care poate fi rezumata ca set ireductibil de elemente constitutive. LFA utilizeaza sute de trasaturi din diferite regiuni ale fetei si compara locatiile acestor trasaturi. Trasaturile foarte mici sunt suporti de constructie si ambele tipuri de suporti precum si aranjarea lor sunt folosite pentru identificare/verificare. Anticipeaza ca cea mai mica miscare a fetei localizata langa gura va fi insotita de miscari similare ale trasaturilor adiacente. Deoarece analiza faciala nu este o reprezentare globala a fetei se pot acomoda unghiuri de la 250 in plan orizontal si aproximativ 150 in plan vertical. Bineinteles o imagine video dreapta de la distanta de 0,90 m va fi cea mai reala. Analizele faciale sunt suficiente pentru a detecta 1-1 sau 1- N cercetari.

In tehnologia retelelor neuronale trasaturile ambelor figuri fata de inrolare si verificare este o asemanare. Retelele neuronale angajeaza un algoritm pentru a determina similitudinea trasaturilor globale unice pe piata vs. trasaturile inrolate sau cu referinte folosind atat de mult din imaginea faciala – pe cat posibil. Un vot incorect, o asemanare falsa, determina algoritmul de asemanare sa modifice caile care dau trasaturi sigure. Aceasta metoda, teoretic conduce o abilitate de identificare in conditii dificile. Ca si cu toate tehnologiile primare, retelele neuronale pot face 1-1 sau 1- N.

AFP ( automatic face processing – procesarea automata a imaginilor ) este o tehnologie foarte rudimentara, folosind distantele si distantele proportionale intre trasaturi usor de comparat, cum ar fi ochii, nasul si colturile gurii. AFP poate fi mai eficace in lumina cetoasa, captata in imagini frontale.

Fig. 3 [ 3 ]

1.9. Care este experienta guvernamentala cu recunoasterea faciala?

Cateva agentii guvernamentale au abandonat sistemul dupa ce au descoperit ca nu a lucrat dupa asteptari, inclusiv imigrarea si serviciile de naturalizare care au exerimentat prin folosirea tehnologiei, identificarea persoanelor in masini la granita S.U.A cu Mexicul.

Oricum guvernul are o baza de date de inalta fidelitate – poze de pe permisele auto – si se cerceteaza cum pot fi folosite . Dupa lege, guvernul nu poate vinde pozele companiilor private, dar folosirea lor nu este interzisa pentru a servi scopurilor guvernului. Guvernul federal a gasit proiecte pilot in extinderea folosirii pozelor de pe permisele de conducere pentru a usura recunoasterea dupa baza de date.

Fig. 4

1.10. Ar trebui raspandita recunoasterea faciala in aeroporturi pentru prevenirea terorismului ?

Nu are sens folosirea lor in aeroporturi. Pentru inceput nu sunt baze de date ale teroristilor. Doar 2 dintre cei 19 teroristi din 11 sept erau cunoscuti de CIA si FBI si teroristii supravietuitori nu sunt capturati pentru ca poza lor sa intre in baza de date guvernamentala . Tehnologia insasi nu este suficienta pentru un astfel de sistem de securitate atat de sofisticat. Ar lucra putin eficient intr-un aeroport supra-aglomerat unde figurile care se misca repede si fundalurile ar reduce efectele deja limitate. Evidenta sugereaza deja ca aceste sisteme ar pierde o mare proportie de suspecti inclusa in baza de date si ar prinde un numar mare de persoana nevinovate creand un fals sistem de siguranta.

Fig. 5 : Jim Williams,presedintele US-VISIT, prim-secretarul Tom Ridge si prim-comisarul Robert Bonner lanseaza US-VISIT in Atlanta, Georgia. [ 4 ]

1.11. Ar trebui folosita tehnologia si in alte locuri publice ?

Daca recunoasterea faciala este nejustificata in aeroporturi si locuri publice ca la Super Bowl, folosirea ei in supravegherea generala este si mai ineficace, inca. Sistemul este mai putin eficient in strada, decat in aeroport si studiile sociologice ale sistemului TV cu circuit inchis si monitorizare a publicului, plasate in Anglia au aratat ca nu s-a redus criminalitatea. Balanta intre risc si beneficiu a recunoasterii faciale este mai nefavorabila in astfel de locatii decat in aeroporturi.

Fig. 6 [ 3 ]

1.12. Cum ameninta tehnologia recunoasterii faciale intimitatea ?

O amenintare este faptul ca recunoasterea faciala in combinatie cu folosirea supravegherii video ar creste probabil din ce in ce mai mult caracterul invadator. Odata instalat acest tip de sistem de supraveghere, cu greu ramane folosibil in scopul initial. Noi cai de folosire a tehnologiei sugereaza ca autoritatile sau operatorii le considera o extensie irezistibila a puterii, iar intimitatea cetatenilor sufera inca o lovitura. In final, acestea pot schimba caracterele sentimentale si calitatea vietii.

O alta problema este amenintarea cu abuzul. Folosirea recunoasterii faciale in public, cum ar fi in aeroporturi, depinde de caracterul monitorizarii video, o forma de supraveghere deranjanta care poate inregistra in detalii grafice un comportament individual si personal. Sistemele video sunt operate de om si aduc slujbei toate prejudiciile. In Marea Britanie ( de exemplu ) a fost folosit sistemul de supraveghere experimental iar operatorii au fost gasiti focalizand in mod disproportionat persoanele de culoare, iar majoritatea operatorilor barbati focalizau frecvent femeile.

In timp ce supravegherea video de catre politie, in S.U.A nu este raspandita, o investigatie a presei din Detroit arata modalitatea de abuz ce poate surveni. Privind cum a fost folosita o baza de date in Michigan, ziarul a descoperit ca ofiterii le-au folosit spre a-si ajuta prietenii sau chiar pentru ei, pentru a urmari femei, a ameninta motociclisti, a urmari soti infideli, chiar pentru a intimida politicieni oponenti. Adevarul de necontestat este ca, cu cat vor avea mai multi oameni acces la baza de date se vor produce cu atat mai multe excese.

Recunoasterea faciala este un mod de abuz special pentru ca poate fi folosita sub forma pasiva, care nu priveste cunoasterea, consimtamantul sau participarea subiectului. Este posibil sa montezi o camera si sa fixezi pe oameni. Camerele moderne pot distinge cu usurinta figuri de la o distanta de 90 m . Oamenii actioneaza in mod diferit cand se stiu supravegheati si au dreptul sa stie daca miscarile si identitatile lor sunt captate.

CAPITOLUL 2 [ 5 ] : Creierul uman si recunoasterea faciala

2.1. Directiile generale in recunoasterea faciala

De mai mult de 10 ani, recunoasterea fetei a devenit un domeniu de larg interes in cercetarea prin intermediul imaginii prelucrate pe computer si una dintre cele mai de succes aplicatii de analiza si intelegere a imaginii. Datorita naturii subiectelor sunt interesati nu numai cercetatorii stiintifici care fac prelucrari prin computer, dar si neurologii si psihologii. Este un lucru cunoscut ca cercetarile avansate in prelucrarea imaginii prin computer vor oferi informatii utile pentru neurologi si psihologi in ceea ce priveste modul de functionare a creierului uman si invers.

O exprimare generala a problemei recunoasterii faciale prin imaginea pe computer poate fi formulata in felul urmator:

Se da o fotografie sau imagine video a unui tablou ( a unei scene ), se identifica si verifica una sau mai multe persoane din scena respectiva folosind un depozit de date de baza referitoare la fetele lor ( informatii ).

2.2. Principalele directii de cercetare in recunoasterea faciala

• Recunoasterea prin imaginile externe ale fetelor ( din exterior );

• Recunoasterea din imaginilie faciale non-frontale ( nu din fata );

• Recunoasterea la acceptul unui usor fals / rate de alarma;

• Intelegerea cauzelor pentru care barbatii sunt mai usor de recunoscut decat femeile;

• O mai buna intelegere a efectelor factorilor demografici de performanta;

• Dezvoltarea unor mai bune metode statistice pentru intelegerea rezultatelor;

• Dezvoltarea unor modele imbunatatite pentru prevederea realizarii identificarii unor seturi ( grupuri ) largi de subiecti;

• Efecte ale diferitelor algoritme si sisteme de instruire pe diferite realizari ( performante )

• Integrarea modelelor morfologice in realizarea recunoasterii faciale.

Regiunea critica a creierului in perceptia faciala este de asemenea activa cand oamenii devin experti in recunoasterea unui set de obiecte necunoscute si neobisnuite, conform unui studiu al cercetatorilor de la Yale University si Brown University. Descoperirile indica faptul ca mecanismele responsabile pentru perceptia fetei pot fi mai usor invatate decat o functie inascuta a creierului uman: prin educatie, nu natural. Primii autori ai studiului publicat in numarul din iunie al revistei Natura Neurostiinta sunt Isabel Camthier, o recent absolventa a facultatii de Psihologie de la Yale si Michael J. Tarr, profesor associat de stiinte cognitive si lingvistice de la Brown University.

2.3. Diferite regiuni ale creierului activate de fete

Cei 4 lobi din fiecare emisfera a cortexului cerebral ( Fig. 7 ) sunt responsabili pentru functiile creierului. Lobii frontali supravegheaza activitatiile mentale complexe cum ar fi luarea de decizii. In spatele lor lobii parietali sunt in primul rand angajati in perceptii senzoriale. Lobii occipitali situati in spatele creierului sunt responsabili in principal cu imaginea. Lateral, lobii temporali sunt implicati in activitatile de auz, exprimare verbala si memorie.

Recunoasterea fetelor este asa de rapida si aparent fara efort incat este usor de supravegheat complexitatea subsistemelor creierului responsabile pentru aceasta. Recunoasterea faciala activeaza in general o anumita zona a creierului – girusul fusiform din mijloc-dreapta ( Fig. 7 ) zona activata si in cazul recunoasterii obiectelor non-faciale, iar rezultatele acestui studiu s-au regasit intr-o expertiza efectuata pentru obiecte non-faciale. Cercetatorii au testat 5 adulti folosind ( fMRI ) crearea imaginii pe baza functionarii rezonantei magnetice, o procedura de diagnosticare care creaza o imagine computerizata a creierului uman in timpul activitatii ( Fig. 8 ). Un set de date fMRI consta intr-o succesiune de imagini obtinute in timp. Scopul celor mai multe experimente fMRI este acela de a localiza partile creierului care sunt implicate in realizarea unei sarcini specifice si a studia modelul de activitate al spatiului temporal.

Fig. 7 – Anatomia creierului uman :

Sira spinarii;

Maduva spinarii;

Puntile Varoli;

Creierul mijlociu;

Cerebelul;

Hipocampusul;

Amigdala;

Hipotalamusul;

Glanda pituitara;

Talamusul ( zona interioara a creierului ( radacina nervilor senzoriali ));

Corpul calos;

Cortexul cerebral.

Un model experimental a fost aplicat la 5 subiecti cercetati inainte, in timpul si dupa ce li s-a expus o familie de obiecte neobisnuite numite „ greebles ”: o data inaintea vreunei expuneri, de 3 ori in timpul expertizei de antrenament si de 2 ori dupa ce subiectii au devenit experti in identificarea „ greebles ”. Alti 6 adulti in completare au scanat numai obiectele „ greebles ”.

Fig. 8 – Harti tipice obtinute prin metoda fMRI EPI achizitionate dupa analiza statistica a seriilor cronologice.

„ Greebles ” sunt o clasa omogena a unui complex tri-dimensional de obiecte, organizat in doua categorii: gen si familie. Ele au fost proiectate in laboratoarele lui Tarr prima data in Yale si apoi Universitatea Brown – Departamentul de Studii Cognitive si Lingvistice. In acest studiu, procesul de pregatire a subiectilor pentru testul de recunoastere a „ greebles ” a luat aproximativ 7 ore timp de peste 4 zile. Cand subiectii testati au terminat perioada de instruire ca experti in „ greebles ”, activitatea in girusul fusiform mijlociu dreapta a fost similara activitatii generate in timpul recunoasterii fetei umane. Aceasta activitate a creierului nu s-a produs cand au fost testati ca incepatori in obiectele „ greebles ”. In esenta, gasitorii contrazic argumentul ca recunoasterea faciala este un mecanism separat al creierului.

Recunoasterea faciala este una dintre cele mai dificile teme de imagine ale performantei oamenilor pentru ca fetele sunt similare in mare masura. „ O data ce ai inteles mecanismele responsabile pentru recunoasterea fetei poti sa lucrezi cu oameni cu deficiente ale creierului, chiar in aceasta zona. „ Adevarata problema este acum, cum apare aceasta remarcabila abilitate ”, afirma Dr. Tarr.

Doua regiuni critice ale creierului sunt cvasiunanim recunoscute ca fiind implicate in abilitatea noastra de a procesa imaginea fetelor. Prima regiune se afla in partea de jos a creierului si este specializata in distingerea rapida a fetelor de diverse obiecte. A doua regiune este localizata pe cealalta parte a creierului si devine activa cand in imaginea fetei se produce o miscare a ochilor sau gurii.

„ Este ceva special si fascinant in ce priveste perceptia fetei. Este ca o legatura intre senzatie, recunoastere, emotie si memorie in diferite zone ale creierului, in numai 200 milisecunde dupa ce este vazuta o fata ”. Rezultatele acestui studiu absolut nou, realizat la Yale University si West Haven Administration Medical Center, au fost publicate in Martie in nr. 15 al publicatiei „ Journal of Neuroscience ”. Coautorii acestor descoperiri sunt Truett Allison si Aina Puce de la Yale University. Ei au descoperit ca zona ce proceseaza miscarile ochilor si gurii este apropiata de anumite regiuni ale creierului dar distincta de acelea care raspund de multe alte feluri de miscari. „ Creierul poate avea nevoie de o regiune responsabila de procesele miscarilor faciale ” spune McCarthy care speculand faptul ca miscarile ochilor si gurii transmit o multime de informatii incluzand semnale sociale importante si cunostiinte despre ce spun oamenii adauga si „ urmarirea involuntara a miscarii buzelor ”. Acesta este motivul pentru care oamenii de exemplu sunt deranjati de un film in care pistele de imagine si sunet nu sunt sincronizate.
Grupul McCarthy’s au adunat informatii despre aceste zone ale creierului cu ajutorul imaginilor derulate prin rezonanta magnetica ( fMRI ) si prin efectuarea de inregistrari electrice direct de pe suprafata creierului ( EEG ) la pacientii carora li s-au implantat chirurgical electrozi, identificandu-se astfel zonele implicate in crizele de epilepsie. Functional MRI masoara schimbarile petrecute in oxigenarea sangelui in zone restranse ale creierului care sunt activate prin stimuli cum ar fi fotografia unei fete. Tesuturile active ale creierului cer mai mult sange alimentat cu oxigen cum ar fi muschii unui picior sau ai unui brat in timpul unui exercitiu. Aparatul nu foloseste periculoasele raze X asa ca poate fi folosit in mod repetat in studiul arhitecturii creierului pacientilor. Si pentru ca locatia unor importante zone de imagini ale creierului este apropiata de cea a limbajului, aceasta poate fi diferita de la om la om, informatie care poate ajuta chirurgii in reducerea deficientelor neuromotorii prin operatii neurochirurgicale.

Fig. 9 – Detalii ale cortexului cerebral.

Grupul lui McCarthy intocmise mai inainte o harta a regiunii de jos a creierului prin care se discern fetele umane de obiectele intalnite zilnic cum ar fi telefoane sau biciclete. Alte grupuri au identificat alta regiune a creierului, cum ar fi amigdala ( Fig.7 ) care retine starea emotionala a fetei privite. Se poate spune ca diferite sisteme cerebrale lucreaza impreuna la identificarea unei fete si extrag importante informatii in legatura cu comunicarea sociala si verbala. ( Fig. 9 )

Mecanismul prin care creierul recunoaste fetele a fascinat demult neurobiologii, multi crezand ca, creierul percepe fetele ca ceva ” special ” si foarte diferit de imaginea obiectelor. De exmplu un studiu clasic a descoperit ca imaginea unei fete se formeaza cu susul in jos ingreunand mai mult sau mai putin recunoasterea decat in cazul unor obiecte. Inca un studiu recent a sugerat ca pot exista chiar neuroni speciali focalizati pe identificarea unei anumite persoane. Acesti neuroni, conform respectivei teorii, sunt asezati in zona fusiforma a creierului responsabila de procesarea fetei ( FFA ), cunoscuta a fi special activata cand o persoana intalneste o fata umana. Pentru ca oamenii au aceasta aptitudine de a recunoaste fetele, multi din comunitatea stintifica sustin ca, creierul si-a dezvoltat un mecanism unic pentru intelegerea si distingerea fetelor. Oricum, Riesenhuber si echipa lui au considerat ca un model diferit ar putea sa ajute cu explicatii suplimentare unele cunostinte existente privind recunoasterea faciala, incluzand un fenomen comportamental cunoscut, denumit „ efectul de inversiune ” care ne-a aratat ca realizarea ( proiectarea ) unei imagini cu susul in jos are un puternic efect asupra abilitatii oamenilor de a recunoaste fetele, pe cand abilitatea de recunoastere a obiectelor, cum ar fi casele, este afectata doar usor. Un motiv poate fi ca oamenii ajung sa fie experti in recunoasterea fetelor, invatand pe parcursul multor ani sa localizeze diferentele fine in plan vertical ale fetelor, dar nu si imaginea rasturnata. Aceasta experienta considera ca fiind unica fiecare fata, dar nu este nimic specific la fete in contextul recunoasterii unui model. Urmand acest punct de vedere oamenii de stiinta de la Georgetown University au emis ipoteza ca, recunoasterea faciala nu se bazeaza pe un mecanism specific pentru fata umana, dar foloseste in schimb niste mecanisme neuronale pentru fete si care fac distinctie de recunoasterea obiectelor. Dupa ani, pentru ca a crescut importanta identificarii expresiei faciale pentru comunicarea sociala, oamenii au dezovltat o puternica abilitate pentru recunoasterea si distingerea fetelor. Experienta in ce priveste fetele umane a condus la invatarea oamenilor sa-si canalizeze neuronii spre diferentierea fetelor.

Desi creierul uman este pregatit ( priceput ) la recunoasterea si diferentierea faciala, noile cercetari de la Centrul Medical de la Universitatea Georgetown sugereaza ca, creierul uman nu poate sa-si dezvolte o abilitate specifica pentru „ intelegerea fetelor ” dar in schimb foloseste un fel de model de recunoastere pentru a face distingerea dintre oameni si sa realizeze si diferentierea dintre anumite grupuri de obiecte cum ar fi plante, animale sau masini. Studiul publicat in revista „ Neuron ” in nr. 6 din aprilie 2007, adauga noi dovezi in dezbaterea acestei teme atat de controversate, referitoare la modul cum creierul uman intelege si interpreteaza fetele si zona stiintei neurologice. Pentru ca procesul perceptiei faciale este complicat si presupune diferite si largi arii ( zone ) ale creierului, raman inca multe nerecunoscute despre modul cum se realizeaza aceasta. „ Noi am descoperit ca modul de cunoastere a fetelor nu este cunoscut de multi oameni de stiinta ” ( M. Riesenhuber, profesor de neurologie si principalul autor al studiului ) ”. De fapt sunt un grup special de obiecte pe care creierul a invatat sa le deosebeasca foarte bine mai mult decat la alte obiecte similare, care sunt fundamentale in supravietuire si comunicare ”. Grupul de cercetatori a fundamentat o teorie conform careia FFA contine circuitul integrat potrivit care recunoaste fetele bazandu-se pe un proces selectiv al trasaturilor potrivite ale fetei. In studiile lor cercetatorii au construit mai intai modelul computerizat al reprezentarii despre cum lucreaza circuitele ipotetice neuronale. Acest model ajuta la prevederea modului cum circuitele neuro pot sa dezvolte perceptia asupra fetelor. O astfel de perceptie include forma trasaturilor specifice – ochii, nasurile si gurile – ceea ce configureaza acele trasaturi care se pozitioneaza pe fata. Acest model prinde unele aspecte ale perceptiei fetei desi circuitele nu le codifica explicit. Pentru a demonstra ca modelul lor poate, de asemenea, sa cuantifice ( sa masoare ) modul cum unele circuite neuronale pot fi focalizate similar catre diferite obiecte, ei au testat de asemenea cum se poate comporta creierul cand intalneste imaginile unor autoturisme. Ei au desocoperit ca modelul a lucrat destul de bine la producerea acelorasi caracteristici de recunoastere ca la fete.

Experimental, Riesenhuber si colegii lui au testat modelul lor, numit „ shape-based ” prin prezentarea lui, unor voluntari care examinau imagini ale fetelor, informatii ce au fost cu precizie „ prelucrate ” si prin programe de computer care modifica trasaturile faciale. In acelasi timp creierele subiectilor au fost scanate prin folosirea metodei fMRI in detectarea modelelor de activitate in FFA. Rezultatele studiilor prin fMRI se armonizeaza cu modelul computerizat. Nu a fost ceva nou ca zona fetei fusiforme a creierului este profund implicata si necesara pentru noi in intelegerea fetelor, dar felul in care procesul functioneaza la interior in „ cutia neagra ” a fost neclar. Prin folosirea modelului computerizat in studierea si masurarea cantitativa a proceselor legaturilor neuronale, imaginilor de pe creier si comportamentului, grupul de cercetatori a venit cu un model mecanicist, descriind care neuroni sunt implicati si cum se comporta acestia cand oamenii privesc la fete.

Partea slaba a acestui experiment a fost ca o implementare a unui model neuronal plauzibil a procesarii faciale, poate fi cuantificat prin date cheie, conducand la aprecierea anticipata ca distingerea fetelor umane este bazata pe un cod de dispersie a populatiei precis focalizat pe neuronii fetei. Se adauga o specificare si anume ca, o forma a unui model de baza poate sa conteze in efectul de inversiune si poate produce rezultate ”configurale” fara codificare explicita putand fi masurabil doar pentru date experimentale. Acest model poate constitui un contraexemplu de calcul al teoriilor care sustin ca distingerea fetelor umane este necesar sa se bazeze pe procese specifice pentru fata ale creierului.

Experimentele lui Reisenhuber`s prevad o arie captivanta de sustinere a ideii ca procesarea fetelor si obiectelor nu se bazeaza pe diferite mecanisme cantitative.

Intr-o serie de experimente, Jiang si echipa lui prezinta si integreaza descoperirile modelarii neuronale, comportamentului si metodei fMRI, aratand ca o clasificare faciala similara cu clasificarea obiectelor poate fi realizata doar printr-o configurare arhitecturala de la simplu la complex bazandu-se pe detectori precis ierarhizati. Oamenii de stiinta spera ca integrarea cercetarilor de acest fel sa ajute la intelegerea mai buna a cauzelor neuronale ale deficientelor de recunoastere a obiectelor in cazurile unor boli mentale, cum ar fi: autism, dislexie sau schizofrenie. Persoanele cu autism de exemplu, au experiente dificile in recunoasterea fetelor, care pot fi cauzate de un defect la nivel neuronal. Cercetarile in acest domeniu pot intr-o zi sa conduca la realizarea unor terapii pentru milioane de oameni care sufera din cauza acestor dizabilitati. Descoperirile prezinta valoare pentru ca aceasta tehnica poate fi aplicata in cercetarea bazelor neuronale ale deficientelor de perceptie a fetei in cazul autismului.

Printre multele probleme ce le implica perceptia fetei se afla si raspunsul la modul cum creierul dezvolta acest sofisticat sistem de recunoastere si procesare a fetelor.

Exista ceva care se invata sau este prezent dinainte acolo? Suntem in favoarea ideii ca acesta este un proces primar ( mostenit ) care este pus la punct prin experienta ( instruire ). In cuvinte simple este un avantaj important si permanent sa-ti recunosti prietenii dupa fata. Studiile viitoare vor investiga o gama larga de factori – mai mult s-au mai putin legati de problematica fetei – cum ar fi „ greebles ” si tipuri de expertize ce pot genera activitatea specifica de procesare a fetei din anumite zone ale creierului.

CAPITOLUL 3 : Calculatorul si recunoasterea faciala

3.1. Aplicatii ale sistemelor de recunoastere faciala [ 4 ]

Sistemele de recunoastere faciala sunt sisteme de securitate bazate pe programe de calculatoare, capabile sa detecteze automat si sa identifice fetele umane. Aceste sisteme depind de un algoritm de recunoastere, un asemenea algoritm fiind „ eigenface „ ( eigen = propriu, personal, caracteristic ) sau „ hidden Markov model „. Primul pas pentru un sistem de recunoastere faciala este acela de a recunoaste o fata umana si de a o extrage din restul scenei. Apoi, sistemul masoara punctele esentiale pe fata ( de exemplu distanta dintre ochi, forma oaselor obrajilor si alte trasaturi care se pot distinge ). Aceste puncte fundamentale sunt apoi comparate cu alte asemenea puncte care estimeaza de la o baza de date cu poze ( in ordine ) pentru a gasi o potrivire. Evident, un asemenea sistem este limitat in privinta unghiului fetei capturate si de conditiile de luminozitate prezente. Noile tehnologii, in prezent vor dezvoltarea unor modele 3D ale unei fete, bazate pe fotografia digitala in ideea de a crea mai multe puncte nodale ( fundamentale ) pentru comparatie. Oricum, asemenea tehnologii sunt in mod inerent, exagerat de sensibile la erori date ( calculatorul extrapoleaza un model 3D de la o fotografie 2D ).

3.2. Campul de aplicare [ 6 , 7 ]

Sistemul de recunoastere faciala ajuta multe organizatii sa-si cunoasca nivelele de securitate cu o viteza fara pereche, fiind utilizat in :

• Locurile foarte aglomerate : stadioane, sali de concert, cinematografe, muzee

• Transport : aeroporturi, gari, statii de autobuz, porturi

• Centre de cercetare

• Bransa apararii si a infractionalitatii

• Banci, centre de afaceri si cazinouri

• Centre guvernamentale si organizatii software

Cu toate acestea, recunoasterea faciala a reusit sa-si mareasca domeniul de aplicare, ajungand sa fie disponibila nu numai in domeniul sigurantei si apararii, ci si in cel al frumosului. Astfel, mai multe firme producatoare de camere foto digitale au inceput sa le implementeze acestora astfel de soft-uri.

Datorita recunoasterii feței putem realiza cele mai reusite portrete. Aceasta tehnologie detecteaza fețele persoanelor pe care dorim sa le fotografiem pentru a face focalizarea pe acestea in mod automat si pentru a ajusta expunerea fotografiei in mod adecvat.

Fig. 10 [ 7 ]

Tehnologia de detectare a feței urmărește automat și focalizează pe fețele din fotografie

a) b)

Fig. 11: a) cu recunoasterea faciala; b) fara recunoasterea faciala. [ 7 ]

3.3. De la 2D la 3D [ 8 ]

Fig. 12 [ 3 ]

Evaluari ca testele FERET si Face Recognition Vendor Test 2002, au subliniat ca actualele realizari 2D ale recunoasterii faciale nu sunt inca suficiente pentru aplicatiile biometrice. Intr-adevar, performanta algoritmilor de recunoastere faciala 2D e inca sever afectata de poza si de conditiile de iluminare ale subiectului. Au fost depuse o multime de eforturi pentru a invinge aceste neajunsuri, dar rezultatele obtinute in termenii ratei de recunoastere au confirmat ca este o problema foarte mare in acest caz. In zilele noastre procesul de capturare 3D devine mai ieftin si mai rapid, astfel incat ultimele realizari in domeniu tind sa rezolve problema direct prin modelul facial 3D. Pana astazi putine baze de date despre modelul facial 3D sunt disponibile public si-n majoritatea cazurilor numarul subiectilor este limitat asa cum si calitatea este des foarte mica. Progresul constant al tehnologiilor de capturare 3D au influentat de-asemenea si tipul algoritmilor de recunoastere. Considerand in unele cazuri ca informatia provine atat din forma cat si din textura 3D, primii algoritmi sunt aplicati direct pe un nor de puncte, dupa o corespunzatoare triangulare ( recenta lucreaza direct intr-o retea ). 3D RMA este un exemplu de baza de date al modelelor faciale 3D reprezentate prin nori de puncte. Pentru mult timp a fost singura baza de date disponibila public chiar daca calitatea sa este scazuta. Contrar, retelele 3D ( wrl, 3ds, … ) sunt astazi valabile pentru cele mai noi tehnologii, dar in cele mai multe cazuri sunt doar parti componente ale bazelor de date.

Recunoasterea faciala este folosita in scara larga pentru recunoasterea cetatenilor, aplicatii de supraveghere, aplicarea promulgarii legilor, cum ar fi centrul de luare in evidenta. Recunoasterea faciala nu este adepta verificarii de 1:1. Cauta in baza de date imagini faciale pentru o stransa potrivire.

Tabelul 1 [ 1 ]

3.4. Recunoasterea faciala ca o computerizare a soft-ului [ 9 ]

3.4.1. Structura recunoasterii

Identificarea obiectelor si a imaginilor prin forma, contur, linii exterioare, culoare, textura de suprafata, temperatura sau alte atribute, de obicei cu sens automatic.

Un camp important al stiintei calculatoarelor, privit cu recunosterea structurii, particularitati vizuale si structurile sunetului. Este esential recunosterii faciale, caracterului optic de recunoastere ( OCR ), recunoasterii vocii si a scrisului de mana.

O ramura a inteligentei artificiale in legatura cu clasificarea sau descrierea observatiilor.

Structurile recunoasterii tintesc sa clasifice datele bazate pe alte cunostinte anterioare sau pe informatii statistice extrase din structuri. Structurile pentru clasificare sunt de obicei grupuri de masuratori sau observatii, definind puncte intr-un spatiu multidimensional apropiat.

Un sistem complet de recunoastere a structurii, se reduce la un senzor care culege observatiile pentru a fi clasificate sau descrise; mecanismul de extragere a trasaturilor estimeaza numeric sau simbolic informatiile din observatii si o schema care efectueaza clasificarea si descrierea observatiilor, bazate pe trasaturile caracteristice extrase.

Clasificarea sau descrierea schemei este de obicei bazata pe valabilitatea unui set de structuri care au fost deja clasificate sau descrise. Acest set de structuri este numit „ set de antrenament „ si strategia invatarii rezultatului este caracterizata ca supervizata. Invatarea poate fi de asemenea nesupravegheata, in sensul ca sistemului nu-i este data anterior o eticheta a structurilor, in schimb isi stabileste clasele bazandu-se pe regularitatile statistice ale structurilor.

Schema de clasificare sau descriere, foloseste de obicei unul din urmatoarele atribute: statistic ( sau decizie teoretica ), sintactic ( sau structural ) si neuronal.

Recunoasterea structurilor statistice este bazata pe caracterizarile statistice ale structurilor, presupunand ca structurile sunt generate de un sistem probabilistic. Structurile recunoasterii sunt bazate pe interdependenta structurala a trasaturilor caracteristice. Recunoasterea structurilor angajeaza modelul computerizat neuronal care apare cu retelele neuronale.

3.4.2. Recunoasterea faciala

Recunoastera faciala se poate defini prin abilitatea de a recunoaste oameni cu ajutorul caracteristicilor lor faciale. Cea mai avansata tehnologie este bazata pe algoritmul „ Eigenface „ ( fata caracteristica ), care schiteaza caracteristicile faciale ale unei persoane intr-un spatiu facial multidimensional. Calculatoarele pot conduce cautarile bazelor de date faciale si/sau sa execute 1:1 sau 1:N verificari. Utilizatorii pot avea acces securizat la calculator, la dispozitivele mobile sau pentru comertul online, simplu, doar uitandu-se in camera lor web.

Calculatorul poate distinge aceeasi persoana, dar cu aparente diferite ( cu sau fara ochelari, schimbari de frizura sau ale culorii pielii in functie de sezon ). Retelele neurale au fost folosite pentru sistemele de recunoastere faciala anterioare, dar cu „ eigenface „ calculatorul nu poate fi pacalit usor de poze sau de altcineva asemanator. ( fig. 13 ).

Fig. 13 : O fata este cifrata ( digitata ) si potrivita impotriva figurii din baza de date pentru a determina daca persoana este autorizata sa intre sau sa foloseasca un sistem.

( Imagine detinuta de compania Miros )

3.4.3 Computerizarea soft-ului

Computerizarea soft-ului difera de cea conventionala ( hard ), aceasta din urma tolerand impreciziile, incertitudinile si aproximarile. In consecinta, rolul sablonului in computerizarea soft-ului e mintea omului. Principiul de ghidare al computerizarii soft-ului: Exploatarea tolerantei pentru imprecizie, incertitudine, adevar partial si aproximare in vedera realizarii docilitatii, robustetii si costurilor scazute de solutionare. Ideile principale sustin computerizarea soft-ului in propria-i incarnare, inlantuind multe influente anterioare, unul dintre ele fiind articolul lui Zadeh ( 1965 ) ( fuzzy sets ); si raportul din 1979 ( articolul din 1981 ) despre teoria posibilitatilor si analiza datelor soft. Includerea computerizarii neurale si genetice in computerizarea soft-ului a avut loc mai tarziu.

In acest moment, componentele principale ale computerizarii soft-ului ( SC – Soft Computing ) nu sunt atat de clare din punct de vedere logic ( FL – Fuzzy Logic ), al computerizarii neurale ( NC – Neural Computing ), a invatarii evolutive a mecanismului calculului ( EC – Evolutionary computation ); ( ML – Machine Learning ), precum si al motivului probabilistic ( PR – Probabilistic Reasoning ), ultimul incluzand increderea retelelor, teoria haosului si parti din teoria invatarii. Important si de luat in seama este ca, computerizarea soft-ului nu este un amestec. Mai curand, este un „ parteneriat „ in care fiecare partener contribuie la o metodologie diferita pentru adresarea problemelor in domeniul lui. Din aceasta perspectiva, principala componenta metodologica in computerizarea soft-ului este mai degraba complementara decat competitiva. In plus, computerizarea soft-ului poate fi vazuta ca o componenta a fundatiei in campul ivirii inteligentei conceptuale ( abstracte ).

Fig. 14 : Schema algoritmilor tipici folositi in recunoastera faciala [ 10 ]

Sunt prezentati un numar de algoritmi tipici, fiind clasificati in scheme bazate pe aspectul exterior si pe model.

Tabelul 2 ne furnizeaza parerile PRO si CONTRA despre aceste 2 tipuri de metode ale recunoasterii faciale.

Tabelul 2 : Pareri PRO si CONTRA pentru aceste 2 tipuri de metode ale recunoasterii faciale. [ 10 ]

3.5. Algoritmul Demo Verilook 3.1 [ 11 ]

3.5.1. Introducere

Aplicatia Demo VeriLook 3.1 intentionat tinteste sa demonstreze capacitatile mecanismului de recunoastere faciala VeriLook. Programul este o aplicatie Windows.

Evaluarea soft-ului suporta achizitii de imagini de la o sursa video externa ( de ex.: camera Web ) prin „ biblioteca „ Direct X. De asemenea poate citi imagini faciale precum fisierele : .bmp,.tif,.png,.jpg,.gif.

Aplicatia are 3 moduri de operare :

Inscrierea. Softul proceseaza imaginea fetei, extrage trasaturile si le scrie in baza de date.

Inscrierea fetei cu trasaturi generalizate. Acest mod genereaza colectia generalitatilor trasaturilor fetei de la un numar de fete sablon ale aceleiasi persoane. Fiecare imagine faciala este procesata si sunt extrase trasaturile. Apoi colectiile de trasaturi sunt analizate si combinate intr-o singura colectie de trasaturi generalizate, care sunt scrise in baza de date. Calitatea recunoasterii faciale creste daca fetele sunt inscrise in acest mod.

Potrivirea. Acest mod efectueaza potrivirea noilor imagini faciale versus fetele sablon stocate in baza de date.

3.5.2. Controlul calitatii imaginii

Recunoasterea faciala este foarte sensibila la calitatea imaginii, asa ca trebuie o maxima siguranta la achizitionarea acesteia.

3.5.2.1. Poza

Trebuie folosita poza frontala ( toata fata ). Rotatia capului trebuie sa fie mai mica de +/- de la imaginea frontala in orice directie.

Fig. 15

3.5.2.2. Expresia

Expresia fetei trebuie sa fie neutra ( fara zambet ) cu ochii deschisi si gura inchisa. Orice efort trebuie facut pentru a avea imagini in concordanta cu aceasta specificare. Un zambet cu gura inchisa este permis, dar nu recomandat.

3.5.2.2.1. Exemple de expresii nerecomandate :

1) Un zambet cu gura deschisa;

Fig. 16

2) Sprancene ridicate;

Fig. 17

3) Ochi inchisi;

Fig. 18

4) Privirea departe de camera;

Fig. 19

5) Strabism

;

Fig. 20

6) Incruntare;

Fig. 21

7) Parul sa acopere ochii;

8) Rama ochelarilor sa acopere partial ochii.

3.5.2.3. Schimbarile fetei

Barba, mustata si alte trasaturi schimbatoare ale fetei influenteaza calitatea recunoasterii faciale si daca aceste schimbari sunt tipice pentru unii indivizi, baza de date ar trebui sa contina de exemplu si fata cu barba si cea barbierita, ambele inscrise sub acelasi ID.

3.5.2.4. Lumina

Lumina trebuie sa fie egal distribuita pe fiecare parte a fetei ( de sus in jos ). Nu trebuie sa fie nici o directie semnificativa a luminii sau umbre vizibile. Trebuiesc evitate „ petele „. Aceste artefacte sunt cauzate de obicei cand sursa de lumina, de mare intensitate, e concentrata pentru iluminare.

Fig. 22

3.5.2.5. Ochelarii

Nu trebuie sa fie artefacte luminoase pe ochelari. De obicei se realizeaza prin cresterea unghiului dintre lumina, subiect si camera la sau mai mult. Daca reflexiile luminii nu pot fi scoase, atunci ar trebui scosi chiar ochelarii.

Ochelarii ar trebui sa fie clari si transparenti, astfel incat ochii sa fie vizibili. Ochelarii cu un colorit mare nu sunt acceptati.

3.5.2.6. Camerele Web

Cum camerele Web au ajuns una dintre cele mai comune dispozitive personale de captura video, autorii soft-ului au condus spre o calitate a imaginii video mica. Majoritatea dispozitivelor ieftine tind sa furnizeze imagini de calitate scazuta ( 320 x 240 ), insuficiente pentru folosirea biometrica. Ca o regula generala, rezolutia optima este de 640 x 480 si este recomandata o firma cu un nume cunoscut. Trebuie sa inscriem imaginile si sa le potrivim folosind aceeasi camera, deoarece aceste dispozitive au o deformare optica diferita, care poate influenta performantele recunoasterii faciale.

3.5.3. Aplicatii

Aplicatia soft-ului Demo VeriLook demonstreaza ca algoritmul recunoasterii faciale VeriLook foloseste imagini video si fotografii.

3.5.3.1. Fereastra principala

Aplicatia ferestrei principale are 4 panouri generale: cele 2 panouri de sus sunt folosite pentru imaginea expusa, iar cele 2 de jos sunt folosite pentru intrarile mesajelor. Comenzile meniului si cele 2 butoane din bara sunt folosite ca „ scurtaturi „ pentru majoritatea comenzilor accesate – aplicatia control.

Fig. 23 Aplicatia ferestrei principale

3.5.3.1.1. Panourile ferestrei principale :

1) Panoul recunoasterii faciale, folosit la expunerea video sau a pozelor si algoritmul ei acoperind imaginea.

2) Panoul de inscriere / potrivire, folosit la expunerea imaginilor inscrise in baza de date sau folosite pentru potrivire.

3) Intra aplicatia si este folosita pentru progresarea mesajelor sistemului de informatii si de aplicatii.

4) Panoul cu rezultatele potrivirii pentru ID-urile subiectilor, listate in baza de date, cele mai similare pentru potrivirea imaginii.

Subiectii sunt considerati „ similari „ daca valoarea similaritatii lor depaseste pragul pus potrivirii prin optiuni. Aceasta valoare este expusa in a doua lista a coloanei vazute.

3.5.3.2. Optiuni

Fig. 24 Caseta cu optiuni

• Incercari in timpul inscrierii – numarul maxim de cadre pentru procesarea cu algoritmul recunoasterii faciale in timp ce subiectii sunt inscrisi cu ajutorul camerei video.

• Incercari in timpul potrivirii – numarul maxim de cadre pentru procesarea cu algoritmul recunosterii faciale in timp ce subiectii sunt potriviti cu camera video.

• Minimul IOD – distanta minima dintre ochi.

• Maximul IOD – distanta maxima dintre ochi.

• Pragul generalizarii – valoarea similaritatii care este depasita reciproc de fiecare trasatura sablon folosita pentru generalizare.

• Numaratoarea imaginilor – numarul de imagini folosit pentru inscrierea cu generalizare.

• Pragul potrivirii – pragul care separa subiectii identici de cei diferiti. Acesta este inlantuit cu o rata falsa acceptata ( FAR, subiecti diferiti eronat acceptati ca aceeasi ) a algoritmului de potrivire. Pragul e mai mare, FAR e mai mic, dar mai mare este FRR ( false rejection rate – rata de respingere falsa – aceeasi subiecti, eronat acceptati ca diferiti ) si vice-a-versa.

Se pot gasi toate aceste praguri in tabelul cu „ Pragurile potrivirii „.

• Incercarile potrivirii – specifica de cate ori baza de date faciala va fi cautata pentru o potrivire la fiecare fata noua detectata. Potrivirea va fi terminata dupa gasirea primului subiect cu valoare similara mai buna decat a pragului potrivirii.

• „ Proaspata ” imagine video orizontala – oglinda imaginii orizontale primita de la o camera video.

• Numele fisierului ca inregistrare a ID-ului – cand inscrierea are inca fisiere imagini, se foloseste numele fisierului fara extensie ca baza de date a identificantilor inregistrati.

• Salvarea imaginilor inscrise* – se scriu pe disc imaginile subiectilor inscrisi in baza de date.

Important

* Este recomandat sa se salveze toate imaginile inscrise pentru permiterea reinscrierii in cazul schimbarilor in interiorul algoritmului sablon; in eventualitatea imbunatatirii versiunilor soft-ului VeriLook SDK.

3.5.3.3. Comenzile meniului

Tabelul 3

3.5.3.4. Exemple simple de folosit

In aceasta sectiune sunt descrise pas cu pas scenarii de baza in vederea folosirii algoritmului Demo VeriLook.

3.5.3.4.1. Inscrierea de la camera

1) Mai intai, pentru folosirea camerei ca dispozitiv de captura video trebuie selectata din meniul „ sursa „ aflat in bara. Dupa aceea, intrarea camerei video trebuie sa fie vizibila in panoul stanga sus al programului.

2) Fetele gasite sunt conturate in imaginea captura de un dreptunghi colorat ( dreptunghiul verde contureaza fata – cea mai potrivita cerintelor algoritmului VeriLook in adaos cu ochii marcati de program si dreptunghiul galben arata alte fete detectate in imagine ).

3) Pentru a inscrie o fata de la o emitere video, poate fi folosit butonul „ inscrie „ din bara sau optiunea „ inscrie „ din meniul sistemului „ executa „. Pentru ca aceasta operatiune sa aibe succes, cel putin o fata trebuie sa fie prezenta in imagine. Programul va procesa cateva cadre si va inscrie fata in baza de date a programului Demo; apoi va fi aratata o casuta cu o intrebare referitoare la inscrierea ID-ului.

3.5.3.4.2. Potrivirea de la camera

1) In primul rand, ca sa fie folosita ca un dispozitiv de captura, camera trebuie selectata din meniul „ sursa „ aflat in bara. Dupa aceea, intrarea camerei video trebuie sa fie vizibila in panoul stanga sus al programului.

2) Fetele gasite sunt conturate in imaginea captura de un dreptunghi colorat ( dreptunghiul verde contureaza fata – cea mai potrivita cerintelor programului si ochii sunt marcati de program; dreptunghiul galben ne arata alte fete detectate in imagine ).

3) Apasam butonul „ potriveste „ sau cautam optiunea cu acelasi nume – trebuie selectata din meniul sistemului „ executa „. Dupa aceasta, fata cea mai convenabila ( trebuie sa fie conturata de un dreptunghi verde in panoul de intrare video ) va fi potrivita contra bazei de date si candidatul cel mai probabil va fi expus in partea dreapta jos a ferestrei programului.

3.5.3.4.3. Inscrierea de la fisier

1) In prima faza, pentru ca un fisier sa poata fi folosit ca dispozitiv de captura, trebuie selectat din meniul „ sursa „ aflat in bara programului.

2) Pentru a inscrie o fata dintr-un fisier, trebuie apasat butonul „ inscriere „, sau sa fie selectata optiunea cu acelasi nume din meniul „ executa „. Apoi se va deschide o casuta in care un fisier pentru a fi deschis, trebuie selectat. Imaginea din fisier va fi expusa in panoul stanga sus al ferestrei, cu fata gasita, conturata de un dreptunghi verde ( daca dreptunghiul nu este, inseamna ca nici o fata indicata pentru inscriere n-a fost gasita in imagine ) si o casuta va fi aratata pentru ca persoanei sa-i fie inscris ID-ul. Fata conturata va fi inscrisa in baza de date a programului Demo.

3.5.3.4.4. Potrivirea de la fisier

1) In primul rand, pentru ca un fisier sa poata fi folosit ca un dispozitiv de captura, trebuie selectat din meniul „ sursa „ aflat in bara programului.

2) Pentru o identificare a fetei dintr-un fisier, trebuie apasat butonul „ potrivire „ sau sa fie selectata optiunea cu acelasi nume din meniul „ executa „. Dupa aceea, fisierul deschis trebuie selectat. Imaginea va fi expusa in panoul stanga sus al ferestrei, cu fata conturata de un dreptunghi verde ( daca dreptunghiul nu exista, inseamna ca nici o fata indicata pentru potrivire n-a fost gasita in imagine ). Imaginea conturata va fi potrivita impotriva bazei de date a programului si cel ma probabil candidat va fi expus in partea dreapta jos a panoului ferestrei.

3.5.3.4.5. Inscrierea cu generalizare

Generalizarea permite extragerea trasaturilor fetei de la imagini multiple ale aceleiasi persoane si astfel permite extragerea mai multor detalii, crescand fiabilitatea operatiunilor de potrivire.

Pentru efectuarea inscrierii folosind generalizarea se urmeaza urmatorii pasi :

1) Intai se selecteaza fisierul sau camera web din meniul „ sursa „ aflat in bara programului.

2) Din meniul „ executa „ aflat in bara selectam „ inscriere cu generalizare „.

3) Daca se alege camera ca sursa de intrare, programul va incerca sa numere recunoasterile fetelor distincte de la emiterea video. Daca se alege un fisier ca sursa de intrare, programul va deschide o casuta de dialog in care ni se spune sa selectam numarul de imagini ale aceleiasi persoane. Numarul de fisiere al programului va incerca sa captureze de la o emitere video ( daca este setat acest lucru ) casuta cu optiuni „ imagini generalizate numarate „.

4) Dupa, daca imaginile de intrare au fost capturate, programul le va procesa pe toate si va extrage trasaturile generalizate. Ultima imagine intrata va fi expusa in panoul stanga sus al ferestrei cu fata gasita, conturata de un dreptunghi verde ( daca dreptunghiul nu este gasit, inseamna ca nici o fata indicata pentru inscriere n-a fost gasita in imagini ) si o casuta va fi aratata pentru ca persoanei sa-i fie inscris ID-ul. Sabloanele generate din aceste imagini intrate vor fi inscrise in baza de date a programului.

3.5.4. Pragul potrivirii si similaritatii

Trasaturile algoritmului VeriLook de potrivire furnizeaza valori ale colectiilor similare de trasaturi ca un rezultat. Cea mai mare este similaritatea si probabilitatea ca aceste colectii de trasaturi sunt obtinute de la aceeasi persoana.

Pragul potrivirii este inlantuit de FAR ( false acceptance rate – rata falsa acceptata, subiecti diferiti eronat acceptati ca aceeasi ) al algoritmului de potrivire. Pragul este mare, FAR este mic si si mai mare este FRR ( false rejection rate – rata de respingere falsa, aceeasi subiecti eronat acceptati ca diferiti ) si vice-a-versa.

Tabelul 4

Pentru mai multe detalii referitoare la programul demo, codul sursa si documentatie vezi [ 11 ].

CAPITOLUL 4 : Linia finala

4.1. Piata recunoasterii faciale [ 1 ]

Tehnologia recunoasterii faciale este de asteptat ca va evolua rapid pentru identificarea clientilor, criminalilor si civililor, incluzand supraveghere si scanare, chiar si de-alungul anului 2008. Cresterea venitului va fi atribuita mai intai proiectelor pe scara larga de ID, in care figura este deja pusa si tehnologia se poate aplica – in permisele de conducere, pasapoarte si registre de votare. Concomitent tehnologia se va folosi in supraveghere publica si private. Datorita abilitatilor ei unice in supraveghere, dupa cum si datorita faptului ca imaginea faciala face parte din aproape toate actele si procesul de folosire al ID-ului, recunoasterea faciala beneficiaza de 9/11 decizii. Veniturile din recunoastere faciala sunt proiectate sa creasca de la 34,4 mil $ in 2002 la 429,1 mil $ in 2007 si se asteapta sa cuprinda aproximativ 10% din piata biometrica.

4.2. Exista sperante pentru recunoasterea faciala ? [ 12 ]

Exista vreo speranta pentru scenarii dificile? Recunoasterea faciala ridica multiple probleme in acest caz: varietatea pozelor, conditii diferite de luminozitate, variabilitatea scalei, imagini luate la intervale de ani, ochelari, mustata, barba, calitate proasta de prelucrare a imaginilor, acoperire partiala a fetei etc. de aici tragem concluzia ca recunoasterea faciala in cazul acestor scenarii dificile, este departe de a fi rezolvata.

Referitor la intrebarea de mai sus raspunsul este DA. Toti stim de un sistem de imagine care are rezultate impresionante pentru toate tipurile de scenarii – HVS ( human visual system – sistemul uman visual ). Daca el poate, o poate face si calculatorul. Problema este sa aflam CUM? Pentru a putea raspunde trebuie sa intelegem foarte bine HVS-ul. Multi cercetatori in domeniul recunoasterii faciale fac o treaba foarte buna in domeniul pixelilor. Totusi ar trebui sa se depuna un efort mai mare in HVS si influenta lui in recunoasterea faciala. De asemenea s-au depus mari eforturi in incercarea de a intelege HVS-ul, nefiind cercetare cooperanta suficienta intre vizualizarea pe calculator, procesarea semnalului si comunicarea psihologica si neurologica. Un efort puternic trebuie facut, impartasind rezultatele, experientele si planurile de viitor.

Una peste alta, nu este adevarat ca MP3 exista pentru ca am fost capabili sa intelegem o parte din sistemul uman auditiv?

Recunoaterea fetei a fost si va fi o problema provocatoare.In ciuda efortului imens depus in ultimii 30 ani, putem fi siguri de faptul ca recunoasterea fetei va trebui studiata inca, in urmatorii 30 ani pentru a rezolva complet problema. Eforturi stranse si coordonate intre vizualizarea computerizata, procesarea semnalului si comunitatile psihofizice si neurostiintifice sunt necesare.

CAPITOLUL 5 : Bibliografie

[1] Rosistem, < http://www.barcode.ro/ >.

[2] Face detection and recognition, < http://www.betaface.com/ >.

[3] < http://www.google.ro/ >.

[4] < http://www.howstuffworks.com/ >.

[5] Science Daily, < http://www.sciencedaily.com/ >.

[6] CCE Software, < http://www.ccesoft.com/ >

[7] Sony, < http://www.sony.ro/ >

< http://www.sony.com/ >

[8] Daniel Riccio, Jean-Luc Dugelay, Caroline Mallauron, Emmanuel Garcia,

Bertrand Peny, Michaela Guarini, „ State of The Art In 3D Face Recognition „,

January 2005.

[9] < http://en.wikipedia.org/ >

[10] Xiaoguang Lu, „ Image Analysis for Face Recognition „.

[11] Neurotechnologija, < http://www.neurotechnologija.com/ >.

[12] Luis Torres, „ Is there any hope for Face Recognition ? „.