Автоматизированная система габитоскопической идентификации

Использование технологий компьютерного зрения в криминалистике в настоящее время приобретает особую популярность. Автоматизация поиска информации о человеке по его внешним признакам в больших хранилищах информации была бы далеко не лишней. Одним из наиболее перспективных направлений в этой области является идентификация личности по изображениям лица. К преимуществам систем, основывающихся на этом методе, можно отнести дистанционное функционирование (не требуется физический контакт пользователя с системой), естественность предъявления лица для большинства людей, гигиеничность (например, по сравнению со снятием отпечатков пальцев), скрытность (при необходимости) и т.п. Следует отметить и такое преимущество, как доступность данных для подобных систем идентификации.

Во всем мире разработано множество систем автоматизированной идентификации личности по изображениям лица. Среди разработанных в России и ближнем зарубежье можно упомянуть систему «КРИМНЕТ» (ООО «НПЦ ОРО», г. Самара), «Портрет 4.3» («Portland», г. Томск), «Образ++» («ЛАТОН», Казахстан). Такое обилие систем автоматизированной идентификации, с одной стороны, указывает на большой спрос в этой области, а с другой — показывает, что ни одно из предлагаемых решений не является оптимальным.

Поэтому Чувашский государственный университет им. И. Н. Ульянова г. Чебоксары совместно с Экспертно-криминалистическим центром при МВД Чувашской Республики в настоящее время разрабатывает автоматизированную систему габитоскопической идентификации (АСГИ). Цель разработки — обеспечить возможность поиска в больших базах данных для идентификации личности при наличии только изображения ее лица. Одной из целей также является интеграция АСГИ с существующей системой автоматизированного учета «Универсальный справочник криминалиста», разрабатываемой там же. Кроме того, необходимо не обременять пользователей системы идентификации лишней рутинной работой, такой как ручное указание каких-то ключевых точек лица.

На рис. 1 показаны основные этапы работы автоматизированной системы идентификации личности по изображениям лица.

Недостаток технологии, основанной на распознавании лица, в том, что она дает высокий результат лишь при фиксированных внешних факторах, таких как ракурс, освещенность, дальность и т.п. [ref]Zhao W., Chellappa R., Rosenfeld A., and Phillips J. Face recognition: A literature survey. ACM Computing Surveys, 12:399-458 (2003).[/ref]. Поэтому особое внимание уделяется предварительной обработке изображений. Нормирование условий освещенности и ракурса представляет собой наиболее важную задачу [ref]Zhao W., Chellappa R. Robust Image Based Face Recognition.[/ref]. Без такого нормирования две фотографии, представленные на рис. 2, будут отнесены к разным классам лиц.

Ко второму этапу предварительной обработки относится поиск лица и его ключевых черт на изображении [ref]Hjelmas E., Low B.K. Face Detection: A Survey. Computer Vision and Image Understanding 83, 236-274 (2001).[/ref]. Многие методы в качестве первого шага решения этой задачи прибегают к использованию фильтров, подчеркивающих границы. Затем профильтрованное изображение обрабатывается с целью нахождения области лица и его ключевых признаков. При этом может использоваться априорная информация о лице. Известно, что лицо имеет симметричную форму. Так называемое «золотое сечение» определяет отношение высоты лица к его ширине [ref]Frakas L. G., Munro I.R. Anthropometric Facial Proportions in Medicine. Charles C. Thomas, Springfield, IL, 1987.[/ref].

Брови, зрачки и губы на профильтрованном изображении ярче, чем окружающие их регионы. Эти сведения можно использовать для выделения полос, содержащих эти черты лица. Если исследовать концентрацию ярких пикселей в каждой строке профильтрованного изображения, можно обнаружить, что в полосах, соответствующих глазам, носу и рту, эта концентрация выше, чем в соседних полосах. За счет выделения полос, предположительно содержащих ключевые точки лица, можно уменьшить область поиска (рис. 3).

Во многих методах используются шаблоны лица, глаз или носа [ref]Feng G.C., Yuen P.C. Multi-cues eye detection on gray intensity image. Pattern Recognition 34 (2001), 1033-1046.[/ref]. Сначала создается иерархия изображений лица в разных масштабах. Затем для каждого из изображений в области, предположительно содержащей лицо или его ключевые признаки, происходит поиск с помощью шаблона. Например, при поиске зрачков глаз создаются шаблоны «глаз» и «не-глаз». Последние необходимы для того, чтобы отсеять участки изображения, похожие на глаза, но не являющиеся ими (как правило, участки, содержащие окружности).

После того как область лица локализована, на ее основании производится распознавание. Самым известным и наиболее популярным методом распознавания лиц является анализ главных компонентов, называемый также методом собственных лиц [ref]Moghaddam B., Pentland A. Probabilistic Visual Learning for Object Detection. M.I.T Media Laboratory Perceptual Computing Section Technical Report № 326.[/ref]. Существует множество вариаций этого метода. Основная его идея такова. Имея n изображений лиц, Г_г Г₂, …, Г находим среднее изображение:

Затем вычитаем среднее изображение из каждого в выборке:

Пусть D = [Ф₁Ф ₂ к Ф _n] и с = DD^T. Собственные вектора иi матрицы С называются главными компонентами от D и могут рассматриваться как «собственные лица» от выборки. Эти «собственные лица» образуют пространство лиц. Входное изображение Ф отображается в это пространство следующим образом:

где m — число выбранных главных компонент, меньшее, чем п. В качестве главных компонент выбираются собственные вектора, соответствующие наибольшим собственным числам. Сходство изображений определяется по расстоянию между ними в пространстве лиц.

Метод лиц Фишера (использующий линейный дискриминант Фишера) является усовершенствованием метода собственных лиц, однако требует наличия в базе данных нескольких изображений на каждого человека [ref]Belhumeur P.N., Hespanha J.P., Kriegman D.J. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection // IEEE Transactions on pattern analysis and machine intelligence. 1997. July. Vol. 19. № 7.[/ref].

Метод собственных лиц дает хорошие результаты, но только в случае соответствующей предварительной обработки изображений. Все классифицируемые изображения должны быть нормированы по освещенности и ракурсу, область лица достаточно точно локализована.

Еще одной проблемой для идентификации личности по изображениям лица являются такие помехи, как очки, усы и бороды. Одной из возможностей решения этой проблемы является отсечение из области, на основе которой происходит распознавание, фрагментов, содержащих помехи. Например, если на изображении обнаружена борода, распознавание будет происходить только на основе областей глаз и носа, а область губ учитываться не будет.

Предварительные эксперименты показали, что исследованные методы дают приемлемые результаты на тестовой базе данных лиц ORL (Olivetti Research Laboratory). Но для достижения лучших результатов требуется еще более глубинный анализ методов автоматизированной идентификации личности по изображениям лица и поиск новых способов решения связанных с этим проблем.

Авторы:
А.А. Андреева, Доцент Чувашского государственного университета им. И.Н. Ульянова, канд. техн. наук.
А.Л. Иванов, Аспирант Чувашского государственного университета им. И.Н. Ульянова.
A.M. Гаврилов, Старший эксперт ЭКЦ при МВД Республики Чувашия.
Б.М. Калмыков, Профессор Чувашского государственного университета им. И.Н. Ульянова, канд. техн. наук.
Ю.Г. Васильев, Ассистент Чувашского государственного университета им. И.Н. Ульянова.

[references/]