Как сделать распознавание лица

Добавил пользователь Владимир З.
Обновлено: 10.09.2024

Распознавание лиц - это метод распознавания, используемый для обнаружения лиц людей, чьи изображения сохранены в наборе данных. Несмотря на то, что другие методы идентификации могут быть более точными, распознавание лиц всегда оставалось в центре внимания исследований из-за его неразрывного характера и потому, что это простой метод идентификации людей.

Существуют разные методы распознавания лиц, а именно:

Алгоритмы распознавания лиц классифицируются как алгоритмы на основе геометрии или на основе шаблонов. Методы, основанные на шаблонах, могут быть построены с использованием статистических инструментов, таких как SVM [Машины опорных векторов], PCA [Анализ основных компонентов], LDA [Линейный дискриминантный анализ], Ядра или Trace Transforms. Методы, основанные на геометрических особенностях, анализируют локальные черты лица и их геометрические отношения. Он также известен как метод, основанный на функциях.

Соотношение между элементами или связь функции со всем лицом, не подвергавшимся количеству, многие исследователи следовали этому подходу, пытаясь вывести наиболее важные характеристики. Некоторые методы пытались использовать глаза, сочетание функций и так далее. Некоторые методы скрытой модели Маркова также попадают в эту категорию, и обработка признаков очень известна в распознавании лиц.

Основанный на внешнем виде метод показывает лицо относительно нескольких изображений. Изображение рассматривается как высокоразмерный вектор. Этот метод обычно используется для получения пространства признаков из деления изображения. Образец изображения по сравнению с тренировочным набором. С другой стороны, основанный на модели подход пытается моделировать лицо. Новый образец реализован для модели, а параметры модели используются для распознавания изображения.

Метод на основе внешнего вида можно классифицировать как линейный или нелинейный. Ex-PCA, LDA, IDA использовались в прямом подходе, тогда как Kernel PCA использовались в нелинейном подходе. С другой стороны, в методе, основанном на моделях, можно классифицировать как 2D или 3D Exchastic Bunch Graph Matching.

4.1. Соответствие шаблону: -

При сопоставлении с шаблоном шаблоны представлены сэмплами, моделями, пикселями, текстурами и т. Д. Функция распознавания обычно является мерой корреляции или расстояния.

4.2.Статистический подход: -

В статистическом подходе закономерности выражаются как особенности. Функция распознавания в дискриминантной функции. Каждое изображение представлено относительно d функций. Поэтому цель состоит в том, чтобы выбрать и применить правильный статистический инструмент для извлечения и анализа.

Существует много статистических инструментов, которые используются для распознавания лиц. Эти аналитические инструменты используются в двух или более группах или методах классификации. Эти инструменты следующие:

4.2.1. Анализ основных компонентов [PCA]: -

Одним из наиболее часто используемых и цитируемых статистических методов является анализ основных компонентов. Математическая процедура выполняет уменьшение размерности, извлекая главный компонент многомерных данных.

4.2.2. Дискретное косинусное преобразование [DCT]: -

Это означает ряд точек данных относительно суммы функций косинуса различных колебательных частот. Дискретное косинусное преобразование основано на дискретном преобразовании Фурье и, следовательно, путем сжатия изменений оно может использоваться для преобразования изображений и обеспечения эффективного уменьшения размерности.

4.2.3.Линейный дискриминантный анализ [LDA]: -

LDA широко используется для нахождения линейной комбинации признаков при сохранении отделимости классов. В отличие от PCA, LDA пытается смоделировать разницу между уровнями. Для каждого уровня LDA получает разность в нескольких проекционных векторах.

4.2.4.Локально сохраняющие проекции [LPP]: -

ОН и NIYOGI представили ЛПП. Это лучшая альтернатива СПС для сохранения структуры местности и проектирования. Алгоритмы распознавания образов обычно ищут ближайший образец или соседей. Таким образом, местность, поддерживающая качество LLP, может ускорить признание.

4.2.5.Gabor Wavelet: -

В этом алгоритме это означает, что нейрофизиологические данные, полученные из зрительной коры головного мозга млекопитающих, позволяют предположить, что простые клетки зрительной коры могут рассматриваться как семейство самоподобных двумерных вейвлетов Габора. Функции Габора, предложенные Даугманом, представляют собой локальные пространственные полосовые фильтры, которые достигают теоретического предела для совместного разрешения информации в двухмерной пространственной и двухмерной областях Фурье.

4.2.6 Независимый компонентный анализ [ICA]: -

ICA стремится преобразовывать данные в виде линейных комбинаций статистически независимой точки данных. Следовательно, его целью является предоставление независимого некоррелированного представления изображения. ICA является альтернативой PCA, которая обеспечивает более мощное представление данных. Это критерий дискриминантного анализа, который может быть использован для улучшения PCA.

4.2.7.Карнер PCA: -

Scholkopf et al. представил использование функций ядра для выполнения нелинейных PCA. Его основная методология состоит в том, чтобы применить нелинейное отображение к входным данным, а затем решить линейный PCA в результирующем подпространстве объектов.

4.3.Нейронные сети: -

Нейронная сеть продолжала использовать распознавание образов и классификацию. Кохонен был первым, кто показал, что нейронная сеть может использоваться для распознавания выровненных и нормализованных лиц. Существуют методы, которые выполняют извлечение признаков с использованием нейронных сетей. Существует много методов, которые в сочетании с такими инструментами, как PCA или LCA, создают гибридный классификатор для распознавания лиц. Они похожи на нейронную сеть с прямой связью с дополнительным смещением, самоорганизующиеся карты с PCA и сверточные нейронные сети с многоуровневым восприятием и т. Д. Они могут повысить эффективность моделей.

4.3.1.Нейронные сети с фильтрами Габора: -

Алгоритм достигает распознавания лица путем реализации многослойного персептрона с алгоритмом обратного распространения. Во-первых, есть шаг предварительной обработки. Каждое изображение нормализуется по фазам контраста и освещенности. Затем каждое изображение обрабатывается через фильтр Габора. Фильтр Габора имеет пять параметров ориентации и три пространственные частоты, поэтому имеется 15 длин волн Габора.

4.3.2. Нейронные сети и скрытые марковские модели: -

4.3.3. Нечеткие нейронные сети: -

Нечеткие нейронные сети для распознавания лиц введут в 2009 году. При этом в системе распознавания лиц используется многослойный персептрон. Концепция, лежащая в основе этого подхода, состоит в том, чтобы охватить поверхности принятия решений в нелинейных многообразиях - задачу, которую простой MLP вряд ли может выполнить. Векторы признаков получены с использованием преобразования длины волны Габора.

Есть много способов распознавания лиц. Здесь мы используем OpenCV для распознавания лиц. При распознавании лиц изображение сначала готовилось к предварительной обработке, а затем обучалось распознавателю лиц распознавать лица. После обучения распознавателя, мы проверяем распознаватель, чтобы увидеть результаты. Распознаватель лица OpenCV делится на три типа:

1. EigenFaces Face Recognizer

Средство распознавания лиц EigenFaces просматривает все тренировочные образы всех персонажей как комплекс и пытается определить компоненты. Эти компоненты являются необходимыми и полезными (части, которые захватывают наибольшее отклонение / изменение) и отбрасывают остальные изображения. Таким образом, он не только извлекает основные элементы из обучающих данных, но также сохраняет память, отбрасывая менее критичные сегменты.

2.FisherFaces Recognizer

Алгоритм Fisherfaces, вместо получения полезных функций, которые представляют все лица всех людей, он удаляет ценные функции, которые отличают одного человека от других. Эти черты одного человека не доминируют над другими, и у вас есть черты, которые отличают одного человека от других.

3. Локальные бинарные гистограммы

Мы знаем, что Eigenfaces и Fisherfaces подвержены влиянию света и в реальной жизни; мы не можем гарантировать идеальные условия освещения. Распознаватель лица LBPH является улучшением для преодоления этого недостатка. Идея не в том, чтобы найти локальные особенности изображения. Алгоритм LBPH пытается найти локальную структуру изображения, и делает это путем сравнения каждого пикселя с соседними пикселями.

Этот блог для начинающих, которые хотят начать свою карьеру в области компьютерного зрения или искусственного интеллекта, узнав, что такое распознавание лиц, его типы и как оно работает.

Я узнал, что в конце 2016 года Amazon выпустила свой собственный сервис для распознавания изображений на базе глубокого обучения на их платформе. Он может распознавать не только лица, но и объекты на фото. Так как сервис довольно новый, подробностей о нём было немного, но мне захотелось немедленно попробовать его. В общем, в течение часа я написал пример веб-страницы, которая может получать фотографии с моей веб-камеры и выполнять элементарное распознавания лица на нем.

Прим. перев. Чтобы не теряться в многочисленных сервисах Amazon, советуем вам прочитать нашу шпаргалку по AWS.

Мне была нужна простая веб-страница, которая позволила бы делать фотографию с помощью камеры моего iMac и выполнять распознавание на фотографии. В частности, я хотел бы определять пользователя, сидящего перед компьютером.

Сервис Amazon Rekognition позволяет создавать одну или несколько коллекций. Коллекция — это набор лицевых векторов для фотографий, которые вы хотите сохранить.

Примечание: Сервис сохраняет не фотографии, а их JSON-представление.

После создания коллекции вы можете сфотографировать предмет, сравнить его свойства c сохранёнными и вернуть ближайшее соответствие. Звучит просто, не так ли? По правде говоря, разработка фронтенда веб-страницы для получения данных с камеры заняла больше времени, чем написание бэкенда для распознавания.

Cube Dev , Удалённо , От 8000 $

В общем, веб-страница позволяет создавать или удалять коллекцию лицевых данных на Amazon, загружать новые данные, полученные из фотографии, в свою коллекцию и сравнивать новые фотографии с существующей коллекцией, чтобы найти совпадение. А в качестве дополнительной фичи я также добавил в эту демку службу Amazon Polly, чтобы после распознавания фотографии страница приветствовала пользователя.

Фронтенд

Я не знал, какую библиотеку использовать для захвата изображения с помощью камеры iMac. В итоге я нашел на GitHub библиотеку JPEG Camera, которая позволяет использовать HTML5 Canvas или Flash для съёмки фото. Я решил использовать её и настроил под себя написанный на JavaScript образец.

Бэкенд

Для бэкенда я использовал Ruby-библиотеку Sinatra, которая может выполнять всю тяжёлую работу с помощью AWS. Я часто использовал Sinatra (на самом деле Padrino) в своих проектах и настоятельно рекомендую эту платформу.

Примечание: Amazon Rekognition предлагает сначала загружать исходные фотографии, которые использует его API, в Amazon S3, а затем обрабатывать их. Я хотел избежать этого ненужного шага и вместо этого отправлять изображения непосредственно в API, что мне в итоге удалось сделать.

Я сумел сделать то же самое с их приветствием Polly . Вместо того, чтобы сохранять аудио в MP3-файл и проигрывать его, у меня получилось закодировать данные MP3 непосредственно в тег на странице и воспроизвести их оттуда.

Я разместил весь код этого проекта на моей странице на GitHub. Не стесняйтесь использовать и изменять его. Ниже я постараюсь объяснить код более подробно.

Пишем приложение

Прежде всего, вам понадобится учетная запись Amazon AWS. Я не буду вдаваться в подробности, поскольку это несложно, а в случае затруднений можно легко найти информацию в Интернете.

Создание пользователя AWS IAM

Как только вы создали учетную запись AWS, первое, что нам нужно сделать, — создать пользователя Amazon IAM (Identity & Access Management), который имеет права на использование службы Rekognition. Мы также зададим права для Amazon Polly.

Эта страница важна. Запишите ключи AWS Key и AWS Secret, которые вы указали на этой странице, поскольку нам необходимо включить их в наше приложение ниже.

Это единственный раз, когда вам будут показаны эти ключи, поэтому сохраните их и файл CSV с этой страницы в надёжном месте.

Загрузка кода

Теперь загрузите пример кода с моей страницы GitHub, чтобы вы могли изменить его по мере необходимости. Загрузите код в виде ZIP-файла, либо склонируйте его в вашу рабочую папку.

Первое, что вам нужно сделать, — это создать файл с именем .env в рабочей папке и ввести эти две строки, заменив в них ключи Amazon IAM на свои:

Теперь, если у вас установлен Ruby (не Ruby on Rails), то для установки зависимостей запустите команду:

Для запуска приложения введите эту команду:

Она должна запустить веб-браузер на порте 4567, чтобы вы могли увидеть веб-страницу и начать тестирование:

Использование приложения

Сама веб-страница довольно проста. Вы должны увидеть потоковое изображение в верхней части экрана, которое представляет собой канал с вашей веб-камеры.

Сперва создайте коллекцию, щелкнув по ссылке в самом нижнем левом углу страницы. Это создаст пустую коллекцию на серверах Amazon для хранения ваших изображений. Обратите внимание: имя по умолчанию для этой коллекции — faceapp_test , но вы можете изменить его в коде faceapp.rb (строка 17).

Разбор кода

Прежде всего, давайте взглянем на HTML-страницу:

Структура страницы проста: всего несколько блоков, кнопок и ссылок. Обратите внимание, что мы используем jQuery, а также Moment.js для настраиваемого приветствия. Следует обратить внимание на код faceapp.js , который выполняет все сложные задачи и ссылки на библиотеку камер JPEG.

Теперь разберем JS-файл приложения:

Это настраивает библиотеку JPEG Camera, чтобы отображать канал на экране и обрабатывать загрузку изображений.

Функция add_to_collection() захватывает изображение с камеры, а затем выполняет запись в конечную точку /upload вместе с именем пользователя в качестве параметра. Функция проверяет, действительно ли вы ввели имя, которое нужно в качестве уникального идентификатора этих данных.

Если лицо совпадёт с данными из коллекции, функция отправит имя найденного лица в /speech . Эта конечная точка вызывает службу Amazon Polly, чтобы преобразовать приветствие в файл MP3, который можно воспроизвести пользователю.

Служба Amazon Polly возвращает приветствие в виде бинарного потока MP3, поэтому мы берем этот поток ввода-вывода, шифруем его в формате Base64 и помещаем в качестве закодированной исходной ссылки в теги на нашей веб-странице. Затем мы можем вызвать .play() для воспроизведения MP3 через динамики пользователя с помощью HTML5 Web Audio API.

Прим. перев. Вы можете узнать о Web Audio побольше, прочитав нашу серию статей по этой теме.

Теперь взглянем на код Ruby:

Здесь задан блок настройки конфигурации аутентификации AWS и имени коллекции по умолчанию, которое мы будем использовать (вы можете его свободно менять).

Остальная часть кода — это конечные точки, которые Sinatra будет слушать. Он прослушивает GET в / , чтобы отобразить фактическую веб-страницу конечному пользователю, а также слушает вызовы POST к /upload , /compare и /speech , которым JS-файл отправляет данные. Только 3–4 строки кода для каждой из этих конечных точек фактически выполняют задачи распознавания лиц и речи. Подробнее о них можно узнать из документации AWS SDK.

Технология распознавания лиц в смартфонах за прошедшие годы значительно улучшилась, и сейчас она лучше, чем когда-либо. Многие приложения для Android используют функцию распознавания лиц в своих функциях, чтобы сделать их более доступными для пользователей. Если вы также интересуетесь этими приложениями и хотите выбрать лучшее из них, это руководство для вас. Здесь представлены лучшие приложения для распознавания лиц для Android.

True Key™ от McAfee

True Key - это популярный менеджер паролей, который позволяет хранить все ваши пароли в безопасной среде и получать доступ к веб-сайтам, используя ваши основные пароли.

Приложение поддерживает различные способы аутентификации, и один из них - распознавание лица. Она использует фронтальную камеру вашего смартфона для верификации вас и предоставления доступа к хранилищу. Если вам нужен надежный менеджер паролей с функцией распознавания лиц, вы не ошибетесь, выбрав True Key.

IObit Applock Lite

IObit Applock Lite - одно из лучших приложений для распознавания лиц на Android. Это блокировка приложений, которую можно использовать для защиты личных приложений, фотографий и видео от посторонних глаз.

Приложение также поддерживает функцию распознавания лиц, и когда вы сканируете свое лицо, оно мгновенно предоставляет доступ к файлу. Если кто-то другой попытается отпереть замок, приложение сфотографирует нарушителя и уведомит вас об этом по электронной почте. Вы можете использовать IObit Applock Lite бесплатно, но он поставляется с рекламой и покупками в приложении.

Face2Gene

Face2Gene - несомненно, одно из лучших приложений для распознавания лиц на Android. Это приложение предназначено в основном для медицинских работников, поскольку помогает им диагностировать различные заболевания с помощью анализа лица.

Он также включает инструменты для совместной работы, такие как форумы, где вы можете делиться случаями с другими врачами по всему миру и получать отзывы. Это еще относительно новое приложение, но оно постоянно совершенствуется и в ближайшем будущем может стать отличным помощником для врачей.

Face Lock Screen

Face Lock Screen - еще одно очень впечатляющее приложение для распознавания лиц для Android. Приложение использует передовую технологию нейросетевого искусственного интеллекта для сканирования вашего лица и помощи в разблокировке приложений.

Прежде чем начать пользоваться приложением, важно обучить ИИ своему лицу, и как только он будет готов, вы сможете начать защищать свои важные приложения с помощью экрана Face Lock. Хорошая вещь в этом приложении - то, что оно продолжает совершенствоваться с течением времени, что является плюсом. Вы можете использовать Face Lock Screen бесплатно, но он поставляется с рекламой.

BioID Распознание лиц

BioID , несомненно, является одним из лучших приложений для распознавания лиц на Android. Это продвинутое приложение безопасности, которое следит за тем, чтобы владелец сам пытался получить доступ к своему счету, проверяя его с помощью распознавания лица.

Как только пользователь проходит тест на распознавание лица, приложение предоставляет ему доступ. Вы также можете использовать приложение в качестве аутентификатора для различных приложений и убедиться, что только вы имеете доступ к этим приложениям.

MojiPop - моя личная эмодзи-клавиатура и камера

Эмодзи стали важной частью наших разговоров, а MojiPop - это приложение, которое позволяет вам создавать свои персональные Эмодзи. Приложение использует технологию распознавания лиц, чтобы определить ваше лицо на селфи, а затем создать для вас индивидуальный эмодзи.

После создания пользовательского эмодзи вы сможете легко использовать его в разговорах и сделать ваши беседы более веселыми. Вы можете использовать MojiPop бесплатно, но оно поставляется с рекламой и покупками в приложении.

Railer - Face Recognition Attendance

Приложение Railer - это приложение для распознавания лиц и мобильная система посещаемости. Это одно из лучших приложений для распознавания лиц, используемых для отслеживания посещаемости сотрудников.

Это очень полезное приложение, которое вы можете использовать для отметки посещаемости ваших студентов или сотрудников. Приложение также включает систему управления отпусками и подробную аналитику, которая предоставляет ценную информацию о ваших сотрудниках.

Face IT DNA Technology

Face IT DNA Technology - еще одно популярное приложение для распознавания лиц на Android. Это приложение использует технологию распознавания лиц и передовые алгоритмы для создания профиля лица, а затем использует его для определения вашего родства с другими людьми.

В приложении алгоритм анализирует рисунок вашего лица, брови, глаза, нос, губы, уши, рот, голову, подбородок и кожу, чтобы составить полный профиль. В целом, если вы хотите проверить, являетесь ли вы родственником другого человека, используйте FACE IT, чтобы узнать это.

AppLock Face/Voice Recognition

AppLock Face - одно из лучших приложений для распознавания лиц для Android. Этот AppLock использует передовую технологию распознавания лиц для защиты данных, и только владелец может получить доступ к данным после проверки личности с помощью распознавания лиц.

Вы можете использовать AppLock Face для защиты своих фотографий, видео, приложений и других личных данных. Он также поддерживает функцию распознавания голоса, которую можно использовать в качестве дополнительного уровня безопасности. Самое лучшее в AppLock Face - это то, что его можно использовать совершенно бесплатно и без каких-либо условий.

FaceApp — Редактор селфи и макияжа

FaceApp - это, пожалуй, одно из лучших приложений для распознавания лиц на Android. Вы можете использовать приложение для внесения различных корректировок в свое лицо, но сначала вам нужно будет сделать селфи, приложение запустит алгоритм распознавания лица, после чего вы получите различные варианты.

В приложении вы можете легко изменить свое впечатление, придать себе старый или молодой вид, изменить фон, добавить фильтры макияжа, использовать креативное освещение, разгладить морщины, удалить прыщи, использовать цветную линзу и многое другое. Приложение также поставляется с видеоредактором, который можно использовать для редактирования видео и добавления к ним классных фильтров. Вы можете использовать FaceApp бесплатно, но он поставляется с рекламой и покупками в приложении.

Метод 1. Статистический анализ

Этот метод считается более простым, его средний показатель успешности распознавания 75%. Для лучшей производительности этот метод лучше использовать с камерами, находящимися внутри помещений с ровным освещением, направленными под как можно более прямым углом к лицам людей — в офисах, магазинах, квартирах и т.п.
Воспользоваться этим методом распознавания можно, если у вас активирована лицензия Xeoma PRO, отдельной лицензии для нее не требуется. Статистический анализ изображения позволяет добавить в базу данных неограниченное количество людей, поэтому для систем с тысячами людей в базе данных этот метод обычно более выгоден финансово, чем Метод 2.

Если же вам необходимо распознавание только определённого набора лиц (к примеру, подозреваемых в несанкционированном доступе), то Xeoma можно этому обучить. Есть 2 способа:

Пример: Распознавание лиц с помощью Статистического анализа изображения в сети фитнес- и тренажёрных залов

Сценарий использования 1: самостоятельный независимый сервер в каждом филиале.

Сценарий использования 1: один центральный сервер обрабатывает все камеры, имеет единую базу данных, а филиалы используют клиентское подключение к серверу и не требуют лицензий:

Поиск человека по фотографии в записях архива работает только с Искусственным интеллектом.

Скидка: чем больше лиц в лицензии, тем ниже стоимость за 1 лицо. Для небольших баз данных этот метод может быть даже дешевле, чем метод 1, а для больших баз данных обычно наоборот.

Бонус: Если у вас активирована лицензия Xeoma Pro, это даст вам возможность внести на этом сервере в базу данных для Искусственного Интеллекта 1 человека за каждую камеру. Например, если активирована лицензия Xeoma Pro на 8 камер, то на сервере вы сможете использовать в Распознавателе лиц опцию Искусственный интеллект для 8 человек, не покупая никаких дополнительных лицензий.

Как и в Методе 1, Распознавание лиц Xeoma на базе искусственного интеллекта нужно обучить людям, которых система должна узнавать, и для этого есть также 2 основных способа.

Эта опция для работы нуждается в массивах искусственного интеллекта: после выбора этого метода нужно будет несколько минут, чтобы с внешнего ресурса подгрузились дополнительные компоненты.

Полуавтоматическое обучение (по внешним фото)

2) в модуле Распознавание лиц выбираем Искусственный интеллект в графе Алгоритм распознавания лиц
3) в модуле Чтение файла прописываем путь до одного из фото
4) в модуле Распознавание лиц вводим уникальное имя в графу Имя человека для распознавания и нажимаем Обучить распознаванию
5) повторяем шаги 3-4 для всех имеющихся фото

Массовое обучение (обширные базы данных)

1) Через Xeoma обучаете программу одному человеку. Это нужно для создания папки Xeoma\FaceDetector\DNN (появляется автоматически после того, как первого человека обучили через программу).

4) В папку Xeoma\FaceDetector\DNN\Person копируем изображение лица этого же человека (можно вырезать с той же фотографии, отрезав всё лишнее). Это фото будет выводится на превью при узнавании этого сотрудника. Тут качество уже не важно.
Формат: bmp.
Важно: имя фотофайла должно быть идентичным имени сотрудника из п.2. (тоже HEX). Например, 41a43043f44b448.bmp

5) Повторяете шаги для других людей из базы (для больших баз данных стоит создать скрипт с этими действиями).

6) Перезапускаем Xeoma. После перезапуска Xeoma обучится на всех добавленных таким образом людей.
Готово! Вы произвели быстрое автоматическое обучение тысячам лиц.

Используется: Статистический анализ

+ Дополнительная лицензия ИИ на 1 лицо(2400 руб.)
Всего: 4400 руб.