reconocimiento facial

Reconocimiento facial incorporacin de informacin auxiliarDebido a grandes variaciones de extrnsecos e intrnsecos condiciones de imagen, reconocimiento de rostro permaneci siendo un visin problem equipo difcil incluso hoy en da. Esto es particularmente cierto cuando se considera el enfoque de formacin de imgenes pasivo para aplicaciones robustas. Para advance existing sistemas de reconocimiento para la cara, se han propuesto numerosas tcnicas y mtodos para superar la casi inevitable performance degradacin debido a factores externos tales como pose, expresin, oclusin, y la iluminacin. En particular, el mtodo basado en recent part ha proporcionado habitacin notable para la mejora del rendimiento de verificacin basado en las caractersticas localizadas cual tiene buena tolerancia a la variacin de las condiciones externas. El mtodo basado en parte, sin embargo, realmente no estirar la incorporacin performance without de la informacin global del mtodo holstico. En vista de la necesidad de fusionar la informacin local y the global informacin de una manera adaptativa para el reconocimiento fiable, en este trabajo se investiga si tales factores externos can be estimar explcitamente y ser usado para aumentar el rendimiento de verificacin durante la fusin de la integral y parcial Formacin- methods.Our evaluaciones empricas muestran una mejora notable en el rendimiento de adoptar el mtodo propuestoINTRODUCCINEn los ltimas decadas, el reconocimiento facial ha surgido sobre el entre el anlisis problems in investigacin de visin por ordenador y la imagen ms activa y desafiante. En particular, las tcnicas de representacin cara basado proyeccin sub-espacio comola PCA [1], LDA [2], el ICA [3], y LFA [4] han logrado notables progresos en trminos de rendimiento del reconocimiento. Sin embargo, el rendimiento de los sistemas actuales es an limitada por las condiciones externas, tales como la iluminacin, pose cabeza, la expresin facial y la oclusin [5-8] .Una gran cantidad de esfuerzos de investigacin se han gastado para superar los efectos the deteriorating de estos factores externos. En particular, los mtodos de representacin cara a base de thepart, como el anlisis independent component (ICA) y el anlisis de funcin local (LFA), han demostrado que promete un rendimiento bajo ciertas condiciones con-faciales. A medida que el rendimiento de los mtodos basados en la proyeccin-(como PCA) se basa principalmente en la cara precisa la normalizacin, la sensibilidad a la normalizacin impone inherentemente la re-requisito de la buena calidad de imagen. El methods relax gran parte de esta restriccin calidad de imagen basada en parte. La ventaja of these mtodos basados en parte en los methodscomes basada proyeccin-de sus vectores de la base espacialmente localizadas. Desde faceis un objeto no rgida, estas representaciones faciales basados en parte son menos sensible a las variaciones faciales debido a oclusiones parciales and local distortions.However, el mtodo basado en parte solo pierde la informacin de globalrelationship entre las diversas caractersticas de la cara. Assuch, mtodos holsticos, como PCA, todava muestran mejor perfor-mance para caras distorsionadas menores como en Duplica-ciones o imgenes sencillas con expresiones faciales leves que la de mtodo basado en thepart. Sobre la base de este punto de vista, se ha Gued ar-que los sistemas prcticos deben adoptar una combinacin ofglobal y mtodos basados en la parte local para estirar el rendimiento de verificacin de la overallsystem [4,5]. Este punto de vista tambin alentado por los estudios sobre la naturaleza humana en comunidad psy-loga que insiste en que la gente debe utilizar tanto caractersticas locales y globales de las caras de reconocimiento [9] .Para realizar este paradigma, una estrategia de fusin eficiente es necesario.Se han realizado esfuerzos tanto de investigacin establecidos to fuse la informacin local y global en el nivel de puntuacin [10] fusin .sum en reglas, la fusin de votacin u otros clasificadores tales assupport mquinas de vectores (SVM) se han adoptado para la fusin thescore nivel. Sin embargo, la mayora de las estrategias de fusin buscan to locate un conjunto fijo de pesos entre los dos trozos de-infor macin. Esto es muy diferente del comportamiento de la cognicin humana, donde se han utilizado las caractersticas globales para reco-nociendo una cara remota y las caractersticas locales se han utilizadoMenos sensibles a las con variaciones faciales DEBIDO a oclusiones parciales and local distortions. However, El Mtodo BASADO en parte en solitario pierde la Informacin de globalrelationship Entre las Diversas Caractersticas de la Cara. Assuch, Mtodos holsticos, Como PCA, todava muestran mejor perfor-mance pra caras distorsionadas Menores Como en Duplica-Ciones o Imgenes Sencillas con Expresiones faciales leves del la del que de method BASADO en thepart. Sobre la base de of this Punto de Vista, se ha Gued ar-que los Sistemas Prcticos Deben Adoptar Una Combinacin ofglobal y Mtodos basados en la parte estirar prrafo local el Rendimiento de verificacin de la overallsystem [4,5]. Este punto de viewis tambin alentado por los Estudios sobre la naturaleza humana en comunidad psy-loga Que Insiste en la del que gente Dbe utilizeboth Caractersticas locales y Globales de las caras de reconocimiento [9] .Para Realizar this paradigma, Una Estrategia de fusin Eficiente isneeded . Se han Realizado Esfuerzos del tanto de Investigacin establecidos tofuse LA INFORMACIN locales y globales en el Nivel de puntuacin [10] Fusin .sum bao reglas, la fusin de Votacin u Otros clasificadores cuentos assupport Mquinas de Vectores (SVM) se han adoptado prr La Fusion thescore level. Sin embargo, la Mayora de las Estrategias de fusin Buscan tolocate conjunto ONU fijo de pesos Entre Los Dos Trozos macin de-infor. Esto Es muy diferente del Comportamiento de la cognicin humana, Donde se han utilizado las Caractersticas Globales prrafo reco-nociendo Una Cara remota y Las caracteristicas locales se han utilizado 0.1. Dealingwithexternalfactors2.1.1. La segregacin de los diferentes factores que utilizan cdigo wordsWe presente una estrategia fundamental para hacer frente a fac-tores externos en esta seccin. La idea bsica es codificar los diversos factores ex-internos de manera que estos cdigos se pueden utilizar para separar los diferentes factores, donde una fusin de adaptacin de todos informa-cin para la verificacin se puede realizar. De manera similar a las tcnicas normales-izacin, podemos anticipar que la buena verificationperformance se lograr mediante el cual las identidades fromface imgenes pueden ser ms fciles distinguida o emparejado en condiciones ho-mogenous que que bajo una avalancha de diferentes factores ex interna que hacen que la apariencia diferente incluso forthe mtodo mismos identity.This est motivada por nuestra experimental obser-tion.Figure 1 muestra un caso ejemplar. Cada punto en esta fig-ure representa las similitudes cara medido entre una sonda una galera en trminos del espacio de salida PCA (distancia es decir, Eu-clidean de la comparacin de dos puntos en PCA sub-espacio que corresponde al eje horizontal de parcelas inFigure 1) y el espacio de salida ICA (es decir, la comparacin distancefrom euclidiana de dos puntos en ICA subespacio que cor-responde al eje vertical de las parcelas inFigure 1). Desde cada punto contiene dos (o ms, durante ms de dos modalidades) componentes distancia, lo llamaremos aface distancia vector.The tono gris y los puntos de tono oscuro denotan los vectores cara dis-tancia de partidos genuinos y impostores, respectiva-

vamente. De acuerdo con la informacin previa en relacin con las gafas whetherthe sujeto en cada imagen se desgaste o no, cada partido se puede dividir en dos casos, como se muestra en la ofFigure rightside 1: el panel superior indica que slo un sub-yecto ya sea la imagen de sonda o la galera en imagen es usando lentes, y el panel inferior indica que o bien ambos objetos estn usando gafas o los dos no lo son. Se puede observar a partir de estas cifra que la distribucin de los vectores de distancia genuinos y impostores son ms separables cuando se dividen que cuando se mezclan entre s. Por lo tanto, cuando una cierta informacin previa cantidad de respecto a los vasos de la es sabido tema, que postulan que una verificacin mayor performancecan lograrse mediante la introduccin de dos clasificadores distintos para el segundo caso ms segregadas que intentar classify the caso mixto utilizando un nico classifier.Apart del informacin sobre el uso de gafas, los datos por encima de juego (vectores de distancia) se puede extender a variouscases utilizando informacin de otros factores externos tales asillumination, postura, y la expresin facial. Aunque el datadistribution de un caso de factor externo es diferente de thatof otro caso, la informacin sobre los factores externos is homogenous dentro de cada caso. Por lo tanto, un grupo de datos coincidentes bajo un solo caso puede ser tratado como aband.Inorderto separar eficazmente el distribui-ciones genuino y el impostor en una manera similar a la inFigure 1, un classifieris locales necesarios para cada par de condiciones dentro y entre las bandas. Desde toda la combinatoria pares dentro and entre los factores externos deben ser considerados, esto resultara en una explosin del nmero de clasificadores locales re-quired.Here, que idear una solucin que integra mltiples clasificadores-lo cal en un marco nico de clasificacin. En primer lugar, wedefineanaxis, eje distancia whichwecalledacode (thisterminology se explicarn en mayor detalle en la siguiente sec-cin) adems de los ejes del vector de distancia cara. Withthis definicin de un nuevo eje, podemos asignar un valor certaincoordinate a cada banda, y nosotros te llamamos esta distancia acode valor. La distancia cdigo de una banda debe ser di-ferente de otra banda que indica la diferencia entre los factores externos. Como se ilustra inFigure 2, la masa de datacan ser dividido en diferentes bandas en el espacio a lo largo del eje TheCode distancia cuando todos los diversos factores externos areconsidered. Dado que el cdigo eje distancia pueden atender a los factores externos-vari ous, un solo clasificador puede as destinadaa fusible de la diversa informacin en un solo classificationframework. En este sentido, destacar que es desconocida en aplicaciones reales de palabras la informacin previa factores externos ing-relacin, y tiene que ser estimado. Una estimacin-clasificador ser firmada des para la estimacin de factor externo individual y una fusin-clasificador ser diseado para la fusin de informacin despus de esti-macin. Emplearemos el clasificador SVM conocido forboth factores externos estimacin y fusin de la informacin, andpay especial atencin a las variaciones de iluminacin, faciales ex pressions y oclusiones parciales en este study.2.1.2. Cdigo designAs mencion anteriormente, con el fin de clasificar y separar el cuarto de neumticos conjunto de vectores de distancia cara segn las vari-ables externos, un nuevo eje est definido. Esta distancia cdigo necesidades eje tosatisfy las dos condiciones siguientes para informationsegregation eficaz. En primer lugar, las coordenadas dentro de las distanceaxis cdigo deben variar en funcin de la diferencia entre los factores-EXTER nal. Esto es obvio, ya que el objetivo de este newaxis es separar cada banda de tal manera que una gran diferencia entre ser-dos factores resulta externos en un gran juego error.Secondly, dentro de cada banda, la simetra entre externalfactors de la sonda y la galera debe estar satisfecho. Thisis porque el objetivo de un sistema de verificacin se limita a tomeasure la similitud entre dos imgenes de la cara de entrada Regard-menos si se trata de la sonda o galera. Por lo tanto, un juego datashould permanecen dentro de la misma banda cuando los fac-tores externos de la sonda y la galera se reversed.Considering estos requisitos, decidimos Repre-enviado cada condicin externa con palabras de cdigo correspondientes, de manera que cada juego de coordenadas (de comparacin oftwo palabras de cdigo) a lo largo del eje de la distancia cdigo es determinedby la distancia eucldea entre las palabras de cdigo de galera probeand. Esta es la razn principal de que el nuevo eje es calleda eje distancia cdigo. En el resto de esta seccin, vamos a discussthe diseo de nuestro sistema de palabra de cdigo.Comenzamos con una asignacin de cdigo intuitiva que as-firma un cdigo binario de 2 dgitos para la condicin de iluminacin ac-acuerdo con las fuentes de iluminacin. Hay cuatro condiciones il-Lumination diferentes en la base de datos AR es decir, luz interior (IL) cuando el sujeto est iluminado slo por las interiorlights, luz izquierdo (LL), donde una fuente de luz adicional sobre theleft se enciende, luz adecuada (RL), donde una fuente de luz adicional a la derecha est encendida y la luz bidireccional (BL), donde las fuentes de luz adicionales de la izquierda y de la derecha areboth encendido. En este caso, se asignan los siguientes cdigos: {0, 0} para IL, {1, 0} para LL, {0, 1} para RL, y {1, 1} para BL. Althoughthis intuitiva codificacin parece dar una clara representationof condiciones externas, que causa problemas que eventuallydegrade el rendimiento del reconocimiento. Estos problemas areenumerated como follows.Firstly, la codificacin valor entero provoca un bandas ofdifferent solapamiento que debera haber sido separados. En otras palabras, existen diferentes bandas que comparten el mismo codedistance. Por ejemplo, la distancia entre el cdigo IL y LLand que entre LL y BL son iguales a 1, mientras que las distribuciones-ac tual de estas dos bandas son muy diferentes fromeach other.Secondly, este mtodo no puede garantizar o Dering adecuado de distribucin de datos a lo largo de la distancia cdigo axis.Let nos dan un ejemplo usando el factor de iluminacin. Con-Sider una banda donde las imgenes y las imgenes IL RL se matchedwithin, y otra banda donde las imgenes IL y BL imagesare emparejados dentro (por conveniencia, llamaremos banda themIL-RL y la banda de IL-BL, resp.). Desde los BL (BIDIREC-nalmente iluminada) imgenes de la cara son ms uniformemente Illumi-nado que el RL enfrenta imgenes, el efecto de contraste es lesssevere para IL-BL que la de IL-RL. En consecuencia, el umbral de-deseada de la banda de IL-BL debe ser menor que thatof la banda IL-RL. Sin embargo, el cdigo distancesare2 computarizada (= [0 0] - [1 1]) and1 (= [0 0] - [0 1]), respec tivamente para-IL-BL y IL-RL. Esto muestra la distancia ofcode efecto pedidos con respecto al importe de la diferencia amongthe 3 ilustra pairs.Figure condicionales este problema pedidos con simplifiedexamples. Aqu, el genuino y los partidos impostor areplotted en coordenadas segn sus distancias de imagen (por ejemplo, PCA, ICA, o LFA espacio de salida) y el cdigo distances.Unlike Figures1and2, esta cifra muestra una sola cara featurewith distancia cdigo de la simplicidad. FromFigure 3 (a), que IL-lustrates la distribucin de datos partido de acuerdo con el diseo del cdigo-Intu itive, se deduce que la separacin hy-perplane entrenado sera demasiado curvilnea y el margen podra ser estrechisimo debido a las distribuciones no ordenadas. Para tal caso, itwould ser difcil para SVM para converger a una hiper-plano de separacin que generaliza el fin well.In para eludir los problemas anteriores, que assignfloating nmeros de punto para palabras de cdigo y definir un eje de cdigo dis-tancia para cada una de las modalidades siendo fusionado a reflectthe distribuciones de grupos de datos correspondientes en virtud de variaciones-con condicional. Aqu, se establece un principio de cdigo de palabra ing diseo en el que la distancia cdigo vara segn enel media de la distribucin de las correspondientes distancias sean originales usermatched de cada modalidad de datos de entrenamiento. Sat-isfying este principio, postulamos que los datos codificados haracuando se distribuir de la inFigure ilustrada 3 (b), donde OB-Tain un hiperplano casi recta que separa y ancho margin.According con el principio anterior de diseo de cdigo basado enel medio de distribucin distancia genuina del usuario, se establece la followingprocedure para calcular una conjunto ordenado de verticeswhich revela la intrarelationship entre los pasos diferir-cias dentro de cada factor externo (por ejemplo, para la iluminacin factoron externa, aquellos Izquierda, Derecha, diferencias frontal, y de paso bidirectionalillumination debe ocupar vrtices whichshow conexiones entre unos a otros como se ve inFigure 4) . (1) Ordene las condiciones dentro del from1ton factor externo, wherenis el nmero total de las condiciones (por ejemplo, la iluminacin: 1. frontal, 2. izquierda, 3. la derecha, y la iluminacin 4.bidirectional). (2) Encuentra toda la conjunto combinatoria de cdigo distancesfrom las distancias cara disponibles. Cada uno de los cdigos de dis-tancias se calcula basndose en la media de las distancias genuina-userface del correspondiente banda que matchesimages condicin fromith con imgenes fromjth con-ditionDi, j (0i