Java implementa animación facial. ¿Las fotos están almacenadas en una matriz o en un objeto de imagen? ¿Qué rasgos se extraen de los rostros? ¿Cuáles son las funciones más utilizadas en el procesamiento facial?

Con el desarrollo de las redes informáticas y la tecnología de la comunicación, la seguridad de la información, la protección de la propiedad intelectual y la autenticación de identidad se han convertido en un tema de investigación importante y urgente. La autenticación de identidad es un requisito previo necesario para garantizar la seguridad del sistema, y ​​muchos campos de seguridad diferentes requieren una autenticación de identidad precisa. Los métodos tradicionales de autenticación de identidad, como tarjetas de identificación, tarjetas inteligentes y contraseñas, tienen muchos problemas, como ser incómodos de llevar, fáciles de perder y las contraseñas son ilegibles o fáciles de descifrar. En comparación con los métodos tradicionales, los métodos de autenticación de identidad basados ​​​​en tecnología de reconocimiento facial tienen mayor seguridad, confiabilidad y efectividad, por lo que han atraído cada vez más atención y gradualmente han ingresado en varios campos de la vida social.

La tecnología de reconocimiento facial tiene amplias perspectivas de aplicación y puede aplicarse a muchos campos de seguridad diferentes. Debido a su singularidad, singularidad y relativa estabilidad, gradualmente se ha convertido en un tema de investigación muy popular. Muchos algoritmos y sistemas de aplicación de reconocimiento facial típicos están dirigidos a bases de datos de rostros estándar o específicas. El reconocimiento de rostros se implementa en la misma base de datos entrenando los rostros en la base de datos. Sin embargo, en aplicaciones especiales como la protección de software y la seguridad informática, la autenticación de identidad solo realiza el reconocimiento facial en un único objeto, y los métodos de reconocimiento facial existentes no son capaces de realizar dichas tareas de reconocimiento. Por lo tanto, este artículo analiza las tecnologías clave de detección y reconocimiento de rostros de un solo objetivo en función de las características del reconocimiento de rostros de un solo objetivo y, en base a esto, propone un algoritmo de reconocimiento de rostros de un solo objetivo. Los resultados experimentales demuestran la eficacia de este método.

2 Características del reconocimiento facial de un solo objeto

En comparación con el reconocimiento facial típico, el reconocimiento facial de un solo objeto tiene las siguientes cuatro características:

Reconocimiento facial de campo de aplicación Tiene una amplia gama de aplicaciones, como investigación criminal, verificación de documentos, monitoreo de seguridad, etc., mientras que el reconocimiento facial de un solo objeto se utiliza principalmente en campos como la protección de software, bloqueos de seguridad informática y seguimiento de objetos específicos.

Objetivos del sistema de reconocimiento El objetivo final del reconocimiento facial de un solo objetivo es que el sistema tenga una alta seguridad y confiabilidad, es decir, que la tasa de error de reconocimiento tienda a cero. Aunque la tasa de error de reconocimiento se reducirá al mismo tiempo, se puede mejorar solicitando al usuario que ajuste su postura (como mirar fijamente a la cámara).

Modelo de color de piel Dado que el reconocimiento facial de un solo objetivo solo se dirige a objetos específicos, el modelo de color de piel de detección de rostros puede ajustar el rango de color de piel mediante métodos adaptativos.

Método de clasificación No existe una base de datos de rostros para el reconocimiento facial de un solo objeto. El método de clasificación de distancia mínima comúnmente utilizado no puede identificar correctamente objetos específicos y solo puede utilizar umbrales como criterio. Por tanto, la elección del umbral es muy importante. Si el umbral es demasiado grande, fácilmente puede dar lugar a errores de juicio y riesgos de seguridad. Sin embargo, si el umbral es demasiado pequeño, afectará la eficiencia del reconocimiento.

3 Detección y normalización de rostros

La detección de rostros es el requisito previo para el reconocimiento de rostros. Para una imagen determinada, el propósito de la detección de rostros es determinar si hay un rostro en la imagen y, de ser así, devolver su ubicación y distribución espacial. Según el color de la piel y los rasgos faciales, la detección de rostros se divide en dos etapas: detección de rostros externos y localización de rostros internos. La detección de rostro externo utiliza principalmente el color de la piel del rostro para detectar el área inicial del rostro y segmenta el área del color de la piel; la detección del rostro interno utiliza las características geométricas del rostro para verificar y ubicar el área del rostro exterior.

3.1 Detección de rostros externos

La tarea de la detección de rostros externos es encontrar las áreas del rostro en la imagen que pueden detectarse y marcarlas. Los pasos son los siguientes:

(1) Según las características regionales del color de la piel humana en el espacio de color, detecte píxeles que puedan ser rostros humanos. Para utilizar mejor las características del color de la piel, se utilizan espacios de color HSI e YcbCr para binarizar la imagen. La gama de colores de piel se limita a H ∈ [0, 46], S ∈ [0,10, 0,72], CB ∈ [98, 130] y Cr. Los píxeles que cumplen con los criterios se marcan como píxeles de color de piel y el resto son píxeles que no son de color de piel.

(2) Eliminación de ruido. Tomando cada punto de color de piel como centro, cuente el número de píxeles de color de piel en la vecindad de 5 × 5. Si está más de la mitad, el punto central sigue siendo del color de la piel; de lo contrario, se considera que no es del color de la piel.

(3) Fusione los bloques de color de piel en la imagen binaria en áreas, analice la proporción y estructura del área objetivo y filtre áreas faciales imposibles. La relación de aspecto del área objetivo está limitada a 0,8 ~ 2,0.

3.2 Detección y localización del rostro interno

La zona que contiene los ojos, las cejas, la nariz y la boca se denomina zona facial interna. El área interna de la cara puede representar bien los rasgos faciales de una persona y no es fácilmente interferida por factores como el fondo y el cabello. Por lo tanto, la detección y posicionamiento del área interna de la cara es muy importante para la posterior extracción y reconocimiento de características.

En la mitad superior del área facial exterior, la imagen binaria se proyecta horizontal y verticalmente, y las dos áreas rectangulares que contienen puntos negros se determinan como las áreas aproximadas de los ojos. En las dos áreas determinadas, el contorno básico del ojo y la esquina de la piedra izquierda se pueden obtener expandiendo el punto negro, y el promedio de las coordenadas del punto negro se toma como la posición de la pupila.

Supongamos que las coordenadas de las pupilas izquierda y derecha son (Lx, Ly) y (Rx, Ry) respectivamente, y la distancia entre las dos pupilas es d. Según las características geométricas del rostro humano, definimos el área de la cara interior como: ancho = -d × 1,6, alto = -d × 1,8 y las coordenadas de la esquina superior izquierda son (Lx-d × 0,3. Los experimentos muestran que esta área puede expresar bien los rasgos faciales de las personas.

3.3 Normalización del área facial interna de la normalización de la cara

Debido a que el tamaño de las caras en cada imagen es muy aleatorio, es necesario normalizar el área interna de la cara. La normalización de la cara se refiere a la escala. Transforme la imagen del área interior de la cara para obtener una imagen estándar de tamaño consistente. En el experimento, especificamos el tamaño de la imagen estándar como 128 × 128. La normalización garantiza la coherencia del tamaño de la cara y refleja la invariancia. tamaño de la cara en el plano de la imagen.

Para imágenes de caras normalizadas, use la transformación wavelet y DCT para extraer las características de la cara. Primero, realice una descomposición wavelet de tres capas en la imagen de la cara y use el sub de baja frecuencia. -Imagen LL3 como objeto de extracción de características faciales, obtenga la subimagen de baja frecuencia de cada muestra de entrenamiento o muestra de prueba. Luego, realice una transformación de coseno discreta en la subimagen de baja frecuencia y el número de coeficientes DCT es. igual al tamaño de la subimagen (es decir, 256). Debido a la transformación DCT de la imagen, la energía se concentra en la parte de baja frecuencia, por lo que solo se toman 136 coeficientes de baja frecuencia como vectores de características. p>

5 Reconocimiento facial

Después de completar el proceso de capacitación y obtener las características de la muestra a probar, se puede realizar el reconocimiento facial. Este artículo utiliza la distancia euclidiana para la clasificación. >

5.1 Calcular la distancia euclidiana entre la muestra y la cara promedio

Si m y x representan los vectores de características de la cara promedio y la muestra, entonces la distancia euclidiana entre la muestra y el promedio. face es:

donde mk representa el k-ésimo vector de características de la cara promedio y xk representa el k-ésimo vector de características de la muestra que se probará en identidad. Durante la autenticación, la distancia euclidiana entre los. muestra que se va a probar y se calcula la cara promedio y se compara con el umbral adaptativo de un objeto específico. Se determina que las muestras más pequeñas que el umbral son la cara del objeto, es decir, se pasa la autenticación. >5.2 Selección de umbral adaptativo

A diferencia de los métodos típicos de reconocimiento facial, el reconocimiento facial de un solo objetivo no tiene una base de datos de rostros, por lo que no puede utilizar la distancia mínima como criterio, sino solo el umbral. los datos La selección del umbral debe considerar la tasa de reconocimiento y la precisión. En el experimento, tomamos la distancia euclidiana promedio entre la muestra de entrenamiento y la cara promedio como umbral de clasificación, es decir:

donde n. es la muestra de entrenamiento, el número no puede ser demasiado pequeño; Di es la distancia euclidiana entre la muestra I y la cara promedio.

Most Technology Co., Ltd. proporciona placas base y soluciones de reconocimiento de patrones. >

Espero adoptar