تحليل عامل مقيد للتعرف على الوجوه

48

الوصف

وصف
خلاصة
تعمل خوارزميات التعرف على الوجوه بشكل غير موثوق به للغاية عندما يختلف شكل وجه المجس عن وجه المعرض: تختلف متجهات الميزات النموذجية مع الوضع أكثر من الهوية. نقترح نموذجًا توليديًا يقوم بإنشاء رسم خرائط واحد إلى متعدد من مساحة “الهوية” المثالية إلى مساحة البيانات المرصودة. في فضاء الهوية ، لا يختلف التمثيل لكل فرد باختلاف الوضع ، فنحن نمثل متجه الميزة المقاسة على أنه يتم إنشاؤه بواسطة تحويل خطي عرضي لمتغير الهوية في وجود ضوضاء غاوسي. نحن نطلق على هذا النموذج تحليل عامل “مقيد”. يعتمد اختيار التحويل الخطي (العوامل) على الوضع ، لكن التحميلات ثابتة (مرتبطة) لفرد معين. نستخدم خوارزمية EM لتقدير التحولات الخطية ومعلمات الضوضاء من بيانات التدريب. نقترح مقياس مسافة احتمالي يسمح بإنشاء مقياس خلفي كامل على التطابقات المحتملة. نقدم عملية استخراج ميزة جديدة ونبحث في أداء التعرف باستخدام قواعد  بياناتPIE و   FERET و XM2VTS و يقارن أداء الاعتراف بشكل إيجابي مع الأساليب المعاصرة.

مقدمة :
يمكن لأنظمة التعرف على FACE الآن تحقيق أداء عالٍ في ظل ظروف الصورة المتحكم فيها. أحد أكبر التحديات البحثية المتبقية في التعرف على الوجوه هو التعرف على الوجوه عبر أوضاع وتعبيرات وإضاءات مختلفة [42]. في هذه الورقة ، نتناول التعرف على الوجوه عبر الأوضاع ، على الرغم من أن طريقتنا قابلة للتطبيق بشكل متساوٍ على الإضاءات أو التعبيرات. على وجه الخصوص ، نقوم بفحص السيناريو الأسوأ ، حيث لا يوجد سوى مثيل واحد لكل فرد في قاعدة بيانات كبيرة ، ويتم التقاط صورة التحقيق من وضع مختلف تمامًا عن صورة المعرض المطابقة. في ظل هذه الظروف ، تتعثر الأنظمة التجارية: في اختبار البائعين للتعرف على الوجوه لعام 2002 (FRVT) [25] ، تم اختبار 10 أنظمة تجارية في مهمة تحديد الهوية ، باستخدام 87 شخصًا بفارق 45 درجة في الوضع الأفقي.

أفضل ما تم تحقيقه هو أقل من 50 في المائة من التصنيف الصحيح للرتبة الأولى. في هذا البحث ، نقدم خوارزمية يمكنها إنتاج أداء تمييز محسن بشكل ملحوظ ، حتى عندما يكون اختلاف الوضع مهمًا جدًا.

على الرغم من أن مشكلة التعرف على الوجوه عبر الأوضاع قد تبدو مقصورة على فئة معينة ، إلا أن لها تطبيقات مهمة في العالم الحقيقي.
تتطلب أنظمة التعرف على الوجوه الحالية تعاونًا ضمنيًا من المستخدم ، المطلوب منه الوقوف في مكان معين ، ومواجهة الكاميرا ، والحفاظ على تعبير محايد.

ومع ذلك ، هناك العديد من المواقف التي لا يكون فيها مثل هذا التعاون ممكنًا:

التعرف على الوجه من لقطات أمنية. قد يكون الناس غير مدركين تمامًا لوجود الكاميرا ، ووضع الكاميرات يجعل من غير المحتمل أن يتم التقاط صورة أمامية نقية. في الواقع ، في عملنا السابق ، قمنا بتطوير جهاز استشعار جديد يمكنه التقاط وجوه بشرية عالية الجودة على نطاق واسع
المنطقة [9].
التعرف على الوجه في لقطات أرشيفية. هناك العديد من التطبيقات التي يمكن فيها تطبيق التعرف على الوجوه على الصور المؤرشفة أو لقطات الفيديو. تشمل الأمثلة وضع العلامات شبه التلقائي للهوية في مجموعات الصور وإنشاء قوائم الممثلين للأفلام وعمليات البحث عبر الإنترنت عن صورة وجه معينة.
التعرف على الوجوه لـ HCI والذكاء المحيط. هناك اتجاه لأن تصبح الأجهزة الحسابية أصغر وأكثر انتشارًا وأن يكون لها أنماط طبيعية أكثر للتفاعل مع المستخدمين. من المحتمل أن تمتلك الأجهزة الحسابية المستقبلية القدرة على التعرف على مستخدميها بدلاً من طلب إجراء تسجيل دخول صريح. سيكون من الأفضل ألا يضطر المستخدم إلى التعاون مع هذا الإجراء بالوقوف في وضع معين.

انتاج :

blank

 

المراجعات

لا توجد مراجعات بعد.

كن أول من يقيم “تحليل عامل مقيد للتعرف على الوجوه”

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

رمز المنتج: b2017_0030 التصنيفات: , الوسوم: , , , ,