1 UVOD
Sistemi za biometrično razpoznavanje oseb temeljijo
na ugotavljanju istovetnosti oseb na podlagi njihovih
fizioloških ali vedenjskih lastnosti, kot so prstni odtisi,
obrazi, govor, vzorci šarenic, način hoje itd. Področje
uporabe takih sistemov zajema različne vrste nadzora,
sodno medicino, preverjanje pristnosti pri denarnih tran-
sakcijah, kontrola dostopa (pri prehajanju meja, dostopu
do informacij osebne narave) in drugo. Med vsemi
biometričnimi sistemi so sistemi za razpoznavanje slik
obrazov med najbolj priljubljenimi, predvsem zaradi
njihove nevsiljive narave, saj poteka zajem podatkov na
daljavo tudi brez vednosti obravnavane osebe. Posebno
pozornost se tovrstnim biometričnim sistemom namenja
pri razvoju t. i. pametnih nadzornih tehnologij ali, pred-
vsem pri razvoju portalov za samodejni nadzor mejnih
prehodov [1].
Čeprav ljudje razpoznavamo obraze brez poseb-
nega truda, je samodejno razpoznavanje obrazov z
računalnikom precejšnja težava in izziv. To še posebej
velja, če želimo, da je razpoznavanje neodvisno od
Prejet 12. januar, 2012
Odobren 2. februar, 2012
številnih spremenljivih dejavnikov, ki so lahko priso-
tni pri zajemu slik v nenadzorovanem okolju. Glavni
dejavniki, ki vplivajo na zanesljivost razpoznavanja so
spremembe orientacije in osvetlitve obraza, spremenljivo
merilo (oddaljenost obrazov od kamere), spremembe
izraza, razna prekrivanja obraznega predela (šal, brada,
očala), časovni zamik (vidni znaki staranja na obrazu),
kozmetični popravki ter podobni pojavi pri zajemu slik.
Prisotnost teh dejavnikov na slikah obrazov lahko precej
poslabša zanesljivost razpoznavanja.
Za izboljšanje robustnosti in zanesljivosti razpoznava-
nja pri teh sistemih je bilo uporabljenih več načinov za-
jema podatkov, kot so video, infra rdeče slike, večkratni
zaporedni posnetki iz različnih kotov in 3D slike obra-
zov. Prednosti uporabe 3D slik pri razpoznavanju obra-
zov so predvsem v neodvisnosti 3D podatkov na sve-
tlobne pogoje, kot tudi možnost rotacije obrazov v
normalno lego [2]. Še vedno pa na zanesljivost večine
sistemov za razpoznavanje 3D slik obrazov vplivajo
izrazne spremembe, prekrivanje obraznega predela in
časovni zamik.
V članku sta najprej predstavljena osnovna zgradba in
delovanje sistemov za razpoznavanje 3D slik obrazov.
Nato so predstavljeni primeri uveljavljenih postopkov,
ki jih srečujemo pri izvedbi teh sistemov; od zajema 3D
slik obrazov, postopkov določanja obraznih značilk do
postopkov računanja podobnosti in odločanja. Predsta-
vljeni so tudi prvi rezultati sistema za razpoznavanje 3D
slik obrazov, ki ga razvijamo v našem laboratoriju.
2 ZGRADBA SISTEMOV ZA
RAZPOZNAVANJE 3D SLIK OBRAZOV
Tipični sistem za razpoznavanje 3D slik obrazov je
zgrajen iz naslednjih enot (slika 1): enota za zajem
in predobdelavo podatkov, enota za določitev obraznih
2 KRIŽAJ, ŠTRUC, DOBRIŠEK
značilk, enota za izračun podobnosti in odločanje. V na-
daljevanju so podrobneje predstavljene posamezne enote
in primeri različnih metod razpoznavanja.
zajem in
predobdelava
podatkov
določanje
obraznih
značilk
izračun
podobnosti in
razvrščanje
obrazne
zna
uporabnikov
čilke
ID
osebe
vektor
značilk
lokalizirana in
normalizirana
3D slika
3D
slika
Slika 1: Bločna zgradba sistemov za razpoznavanje 3D slik
obrazov
3 ZAJEM IN PREDOBDELAVA 3D SLIK
Predstavitev obrazov v 3D tehniki naj bi imela več
predpostavljenih prednosti v primerjavi z 2D slikami
obrazov, kot je neodvisnost na spremenljive svetlobne
pogoje in tudi robustnost na rotacijo obrazne površine,
kar pa v realnosti ne drži popolnoma [3]. Poravnanje
3D slike obraza znotraj referenčnega okvira je lahko
računsko zelo zahtevno in obstoječe metode niso vedno
konvergentne. Prav tako dejstvo, da je zajem 3D podat-
kov neodvisen od sprememb osvetlitve, ne drži vedno –
močni viri svetlobe in površine, ki odbijajo svetlobo,
lahko precej vplivajo na zajem senzorja. Neobdelane
3D slike zato običajno vsebujejo neko mero šuma, ki
se odraža v koničastih izboklinah (deli z veliko odboj-
nostjo – mastna koža) ali luknjah (manjkajoči podatki,
kjer senzor ni bil sposoben pridobiti podatkov zaradi
premajhne odbojnosti površine – predvsem predel obrvi,
lasje, brada, oči) na zajeti sliki. Primeri naštetih popačenj
so na sliki 2.
(a) (b) (c)
Slika 2: Primeri slik z napakami: (a) odsotnost nosu zaradi
prevelike bližine obraza senzorju, (b) šum v okolici oči, (c)
popačenje zaradi premika obraza med zajemom slike
3.1 Senzorji za zajem 3D slik
Glede na način delovanja lahko 3D senzorje razde-
limo na pasivne in aktivne, pri čemer so za zajem 3D
slik obrazov primernejši aktivni senzorji. Pri pasivnih
senzorjih je 3D slika obraza rekonstruirana posredno iz
več 2D slik ali videa. Aktivni senzorji za zajem 3D
podatkov skenirane površine uporabljajo laserski žarek
ali svetlobne vzorce. Med aktivnimi 3D senzorji, ki se
uporabljajo za zajem slik obrazov, je najbolj razširjena
tehnika, ki deluje po principu strukturirane svetlobe.
Ta tehnika uporablja kamero in oddajnik strukturirane
svetlobe. Oddajnik projicira svetlobne vzorce natančno
določene oblike (običajno IR-svetloba ali laserske črte)
na obravnavan predmet, kamera pa sprejema svetlobne
vzorce s površine predmeta. Iz sprememb v obliki med
oddanimi in sprejetimi vzorci se rekonstruira 3D oblika
predmeta. Po tem principu deluje tudi večje število
komercialno dostopnih senzorskih sistemov, ki zagota-
vljajo precejšnjo globinsko ločljivost pri zajemu 3D slik:
Konica Minolta Range5 / Vivid9i / Vivid910 (primeri
slik zajetih z Minolta Vivid910 so na Sliki 2), Cyberware
PX, 3DFaceCam, Face-SCAN, FastSCAN, IVP Ranger
M50. Pred kratkim so prišle na trg tudi nizkocenovne
alternative za zajem 3D slik obrazov, kot sta senzorja
Microsoft Kinect in Asus Xtion PRO. Čeprav se pri
teh senzorjih srečujemo s številnimi omejitvami, kot
sta majhna globinska ločljivost in globinska ostrina,
je možno z ustrezno obdelavo pridobiti zadovoljiv 3D
model obraza. Primer je metoda v [4], kjer z itera-
tivnim prilagajanjem povprečnega modela obraza 3D
sliki obraza pridobljeni s senzorjem Kinect (slika 3a)
pridobijo rekonstruiran model 3D obraza (slika 3b).
(a) (b)
Slika 3: 3D slika obraza, zajeta s senzorjem Kinect: (a)
neobdelana slika, (b) prilagojen povprečni model obraza
3.2 Predobdelava 3D podatkov
S sistemi za zajem 3D slik pridobimo množico 3D
točk površine slikanega objekta s podatkom o x, y
in z komponenti vsake točke. 3D podatke največkrat
predstavimo v obliki točkovnega oblaka (slika 4a) ali
globinske slike (slika 4b). Točkovni oblak je množica
izmerjenih 3D točk (x, y, z) površine danega objekta. S
preslikavo 3D podatkov na pravokotno mrežo v (x, y)
ravnini dobimo globinsko sliko, ki jo lahko obravna-
vamo kot 2D sliko, kjer je svetlost posamezne točke
na sliki sorazmerna globinski komponenti pripadajoče
točke (koordinata z).
Naslednji korak sta običajno zaznavanje in lokaliza-
cija obraznega predela na zajeti 3D sliki. Z izrazom
zaznavanje označujemo postopek, s katerim določimo
prisotnost in število obrazov na sliki. Ob predpostavki,
da je na sliki le en obraz, pa lokalizacija pomeni
natančnejšo določitev lokacije in velikosti obraznega
predela, lahko pa tudi orientacije obraza. Večina metod
za lokalizacijo obrazov na 3D slikah temelji na analizi
lokalne ukrivljenosti obrazne površine [5–7]. S tem
ROBUSTNO RAZPOZNAVANJE 3D SLIK OBRAZOV 3
(a) (b) (c)
Slika 4: Predstavitve 3D podatkov: (a) točkovni oblak, (b)
globinska slika, (c) senčena globinska slika
dobimo množico potencialnih točk za lokacije karakteri-
stičnih delov obraza, kot so lokacija nosu, oči in ust, prek
katerih se lahko določijo natančna lokacija, velikost in
orientacija obraznega predela. Na podlagi teh podatkov
se lahko obrazni predel loči od preostalega dela slike ter
ustrezno skalira in rotira (slika 5b).
Ker neobdelane slike večinoma vsebujejo precej
šuma, je pred postopki določanja obraznih značilk dobro
izvesti še filtriranje slik. V ta namen se večinoma upora-
bljajo nizkoprepustni filtri, ki izločijo visokofrekvenčni
šum, manjkajoči predeli pa se zapolnijo z interpolacijo
vrednosti sosednjih točk obrazne površine [5, 8].
(a) (b)
Slika 5: Predobdelava 3D slik: (a) neobdelana slika, (b) izrezan
in filtriran obrazni predel
4 DOLOČANJE OBRAZNIH ZNAČILK
Izvedeni lokalizaciji in normalizaciji slik obrazov sledi
postopek za določanje značilk. Namen določanja značilk
je, da iz slik pridobimo bolj strnjene podatke, ki so
koristni za razlikovanje med obrazi različnih oseb in
stabilni v smislu fotometričnih in geometričnih variacij
pri zajemu slik. Iz slike obraznega predela pridobimo
enega ali več vektorjev značilk, na podlagi katerih lahko
potem sklepamo o identiteti osebe na sliki. Obstoječe
postopke določanja obraznih značilk lahko glede na to,
kako obravnavajo obrazni predel, razvrstimo v spodaj
opisane skupine.
4.1 Postopki določanja globalnih značilk
Skupna lastnost postopkov te vrste je, da se vektor
značilk (lahko tudi več) določi iz celotnega obraznega
predela (slika 6a). Večina postopkov določanja globalnih
značilk iz 3D slik je izpeljanih iz postopkov, prvotno
razvitih za uporabo na 2D slikah, pri čemer so namesto
2D sivinskih slik uporabljene globinske slike. Najbolj
znan in splošno razširjen globalni postopek je analiza
(a) (b)
Slika 6: Konceptualni prikaz vrst značilk: (a) globalne
značilke, (b) lokalne značilke
glavnih komponent (angl. principal component analysis,
PCA), ki je bil sprva uporabljen za izločanje značilk
iz 2D slik, pozneje pa tudi iz globinskih slik [9]. Na
globinskih slikah so bili izvedeni tudi drugi priljubljeni
globalni postopki, kot je analiza linearne diskriminante
(angl. linear discriminant analysis, LDA) [10], analiza
neodvisnih komponent (angl. independent component
analysis, ICA) [11].
Dobre lastnosti uporabe globalnih značilk so: možnost
precejšnjega zmanjšanja razsežnosti podatkov; ohrani se
informacija o prostorski relaciji med posameznimi deli
obraza (pri lokalnih značilkah to ne velja zmeraj). Po-
glavitna pomanjkljivost postopkov določanja globalnih
značilk pa je, da večina teh postopkov zahteva natančno
lokalizacijo in normalizacijo orientacije, osvetlitve in
velikosti obrazov na slikah. Spremembe teh dejavni-
kov lahko vplivajo na globalne obrazne značilke, kar
lahko vodi do napak pri razpoznavanju. Pri postopkih,
ki temeljijo na globalnih značilkah, sta lokalizacija in
normalizacija pogosto izvedeni z ročno določitvijo ka-
rakterističnih točk na obrazu. Za samodejno določanje
teh točk se večinoma uporablja iterativni algoritem is-
kanja najbližje točke [12] (angl. iterative closest point,
ICP), ki pa je računsko zelo potraten in ne konvergira
vedno h globalnemu ekstremu. Poleg tega so postopki,
ki temeljijo na globalnih značilkah, večinoma dokaj
občutljivi na izrazne spremembe in na različne vrste
prekrivanja obraznega predela.
4.2 Postopki določanja lokalnih značilk
S postopki določanja lokalnih obraznih značilk prido-
bimo množico vektorjev lokalnih značilk, kjer posame-
zen vektor povzema lastnosti določenega dela obraza.
V začetni fazi raziskav je bila pri razpoznavanju obra-
zov, zaradi kompaktnejše predstavitve, ki jo običajno
pridobimo z globalnimi značilkami, uporaba globalnih
značilk bolj razširjena kot uporaba lokalnih. Pri razvoju
razpoznavalnih sistemov, ki bi bili bolj robustni na spre-
menljivo osvetlitev, orientacijo, izraze in merilo obrazov,
pa so lokalne značilke pritegnile večjo pozornost razi-
skovalcev, saj se z lokalno analizo obraznega predela
laže merimo z omenjenimi variacijami.
Določanje lokalnih značilk lahko razdelimo na dva
dela. V prvem se detektirajo točke zanimanja na obrazni
4 KRIŽAJ, ŠTRUC, DOBRIŠEK
površini, v katerih se nato v drugem delu izračunajo
vektorji lokalnih značilk.
Za detekcijo točk zanimanja obstaja več postopkov.
Točke zanimanja so lahko določene kot mesta ekstre-
mov v prostoru velikosti (angl. scale-space), s čimer
zagotovimo neodvisnost značilk na merilo obrazov na
sliki. Tako poteka detekcija točk zanimanja pri postopku
SIFT (angl. scale-invariant feature transform) [13, 14]
in SURF (angl. speeded up robust features) [15]. Točke
zanimanja lahko določimo še: na podlagi analize lokalne
ukrivljenosti globinskih slik [16]; s poravnavo 3D slik
obrazov z modelom obraza, na katerem so lokacije
točk znane a priori [17]; s postopki, kjer se značilke
določajo v vozliščih grafov, kot je metoda prileganja
elastičnih grafov (angl. elastic bunch graph matching,
EBGM) [18]. Točke zanimanja pa lahko določimo tudi
kot vozlišča na pravokotni mreži, ki prekriva obrazni
predel [8, 19, 20]. Ta postopek je ekvivalenten določanju
lokalnih značilk na bločni osnovi, kjer se značilke
določijo s pomočjo drsečega okna, ki ga s konstantnim
korakom pomikamo po obrazni površini, običajno od
leve proti desni in od zgoraj navzdol.
Po izvedenem koraku detekcije točk po enem izmed
zgoraj opisanih načinov sledi določitev vektorjev lo-
kalnih značilk v teh točkah. Starejši postopki lokalne
značilke večinoma določijo iz geometrijskih relacij med
točkami zanimanja (lokacija točk, razdalje in koti med
točkami, razmerja razdalj, geodezične razdalje). Za opis
oblikovanosti obrazne površine v okolici detektiranih
točk zanimanja se pri novejših postopkih uporabljajo:
deskriptorji diferencialne geometrije (povprečna ukri-
vljenost, Gaussova ukrivljenost, indeks oblike) [8, 21],
točkovne oznake (angl. point signatures) [22], koeficienti
Gaborjevih filtrov na globinskih slikah [18], koeficienti
diskretne kosinune transformacije (DCT) [19, 20], histo-
grami smeri gradientov v okolici točk zanimanja [13].
Uporaba lokalnih značilk ima v primerjavi z global-
nimi značilkami več prednosti. Zaradi narave postopkov,
ki temeljijo na lokalnih značilkah, ima nenatančna loka-
lizacija obraznega predela manjši vpliv na zanesljivost
razpoznavanja, saj pri postopkih te vrste neodvisnost
značilk na spremembe osvetlitve, orientacije, velikosti in
prekrivanja obraznega predela laže zagotoviti. Nekateri
postopki, ki temeljijo na lokalnih značilkah, zato ne zah-
tevajo normalizacije obrazov na omenjene spremembe.
Prav tako so ti postopki na splošno manj občutljivi na
spremembe v izrazih.
4.3 Hibridni postopki izpeljave značilk
Pri teh postopkih se obrazne značilke določijo na
podlagi kombinacije postopkov iz zgornjih dveh sku-
pin. Podatki iz obeh pristopov so lahko združeni na
ravni značilk [23], rezultatov prileganja [24] ali pa na
odločitveni ravni [25].
5 IZRAČUN PODOBNOSTI IN ODLOČANJE
Zadnji korak samodejnega razpoznavanja 3D slik
obrazov je izračun podobnosti (oz. različnosti) med
značilkami testirane osebe in značilkami oseb, shranje-
nimi v podatkovni bazi sistema. Odločitev, ki sledi, je
odvisna od tega, za kakšen namen se sistem za raz-
poznavanje uporablja. Glede na namen uporabe ločimo
sisteme, ki opravljajo funkcijo verifikacije (potrjevanja
istovetnosti) oseb, in sisteme, ki opravljajo funkcijo
identifikacije (ugotavljanja istovetnosti) oseb. Pri veri-
fikaciji ugotavljamo, ali je podobnost med značilkami
testirane osebe in značilkami oseb, shranjenimi v bazi
sistema, manjša ali večja od določenega praga ter glede
na to potrdimo ali ne potrdimo identitete osebe (oz.
razvrstimo osebo v množico klientov ali pa v množico
vsiljivcev). Pri identifikaciji pa iščemo najmanjšo razda-
ljo med značilkami testirane osebe in značilkami oseb v
bazi, izhod iz sistema pa je iskana identiteta osebe ali
pa odgovor, da oseba ne ustreza nobenemu modelu iz
baze sistema.
Med postopki za razvrščanje v literaturi največkrat
zasledimo postopek najbližjega soseda (angl. nearest
neighbor method, 1-NN) [5, 9–11]. Pri globalnih po-
stopkih, kjer je posamezna slika predstavljena z enim
vektorjem značilk, se primerjava med dvema slikama
pri postopku 1-NN izvede tako, da se na podlagi neke
mere podobnosti primerjata pripadajoča vektorja značilk
med sabo. Pri lokalnih postopkih pa je potreben ne-
koliko drugačen pristop, saj je pri lokalnih postopkih
posamezna slika opisana z množico vektorjev lokalnih
značilk, katerih število se od slike do slike praviloma
razlikuje. Prav tako pri primerjavi lokalnih značilk dveh
slik na splošno ni znano, katere značilke pripadajo
istemu obraznemu predelu. Zaradi zgornjih razlogov se
za računanje podobnosti med obrazi, predstavljenimi
z lokalnimi značilkami, pogosto prej poišče poenoten
zapis obraza, npr. s parametri modela Gaussovih mešanic
(angl. Gaussian mixture model, GMM) [26] ali s pa-
rametri prikritega Markovovega modela (angl. hidden
Markov model, HMM) [19, 20]. S tako predstavljenimi
obrazi lahko za merjenje podobnosti med njimi upora-
bimo različne metode, kot so kriterij razmerja verjetij
(angl. likelihood ratio) [20, 26], metoda podpornih vek-
torjev (angl. support vector machine, SVM) [27, 28].
Lahko pa izvedemo tudi direktno primerjavo dveh slik,
opisanih z lokalnimi značilkami, tako da primerjamo
vsak vektor lokalnih značilk ene slike z vsakim vektor-
jem lokalnih značilk druge slike. Mera podobnosti med
dvema slikama obrazov v tem primeru temelji na normi-
ranem številu ujemajočih vektorjev lokalnih značilk ali
pa na normirani vsoti razdalj med ujemajočimi vektorji
značilk.
ROBUSTNO RAZPOZNAVANJE 3D SLIK OBRAZOV 5
6 IZVEDBA PRIMERA SISTEMA IN
POSKUSI
Izvedli smo sistem za verifikacijo oseb, predstavljenih
z globinskimi slikami, ki temelji na uporabi lokalnih
značilk in modelov GMM (slika 7). Sistem je prilju-
bljen postopek, ki ga razmeroma pogosto zasledimo v
literaturi, uporablja pa se tako pri razpoznavanju 2D slik
kot tudi 3D slik obrazov. Sistem bo izhodišče za nadalj-
nje raziskave, v okviru katerih bomo skušali utemeljiti
uporabo lokalnih značilk pri robustnem razpoznavanju
3D slik obrazov. Rezultate verifikacije smo primerjali
s postopkom določanja globalnih značilk, ki temelji na
metodi PCA.
Galerijska
slika
EM
UBM
2D DCT
2D DCT
Učne
slike Pred-obdelava in
izpeljava značilk
GMM
supervektor
Testna
slika 2D DCT
MAP
GMM
supervektor
UBM UBM
supervektorji
SVM
Ločilna
meja
Lega
glede na
ločilno
mejo?
Sprejetje ali
zavrnitev
testne osebe
Pred-obdelava in
izpeljava značilk
Pred-obdelava in
izpeljava značilk
MAP
Slika 7: Bločna zgradba izvedenega sistema
V koraku predobdelave smo uporabili nizkoprepustni
filter, s katerim smo odstranili visokofrekvenčni šum,
manjkajoče podatke pa smo nadomestili z interpola-
cijo podatkov v sosednjih točkah. Izvedena je bila
le groba samodejna lokalizacija obraznega predela, ki
temelji na iskanju lokacij konice nosu in obeh očes
z analizo ukrivljenosti površine [16]. Izrezane slike
obrazov smo skalirali na standardno velikost s kon-
stantno razdaljo med lokacijama oči. Vektorje lokalnih
značilk smo določili na bločni osnovi, kjer smo v
vsakem bloku izračunali 2D DCT koeficiente in kot
značilke vzeli prvih 10 koeficientov, ki pripadajo nizkim
frekvencam. Porazdelitev tako pridobljenih vektorjev
značilk vsakega obraza smo opisali z modelom GMM.
Model GMM, sestavljen iz K Gaussovih komponent,
določajo naslednji parametri: uteži {πk}Kk=1, povprečni
vektorji {µk}Kk=1 in kovariančne matrike {Σk}
K
k=1. Za
izračun teh parametrov smo uporabili iterativni postopek
maksimizacije upanja (angl. expectation maximization,
EM) [29]. Zaradi majhnega števila vektorjev značilk
na posamezno osebo smo najprej izračunali parametre
splošnega modela obraza (angl. universal background
model, UBM) – to je GMM naučen na vseh slikah
obrazov iz učne množice sistema. GMM posamezne
osebe pa smo izpeljali iz modela UBM s pomočjo maksi-
mizacije vrha posteriorne porazdelitve (angl. maximum
a posteriori, MAP) [30], pri čemer smo prilagodili le
povprečne vrednosti modelov. Sistemi za verifikacijo, ki
temeljijo na modelih GMM, običajno uporabljajo test
razmerja verjetij v fazi razvrščanja, v našem primeru
pa smo namesto razmerja verjetij uporabili metodo pod-
pornih vektorjev (angl. support vector machine, SVM).
Za uporabo SVM kot odločitvenega kriterija je treba
poiskati poenoten zapis slik obrazov. V ta namen smo
razvrstili vektorje povprečnih vrednosti posameznega
modela obraza drugega vrh drugega v stolpec in pridobili
za vsak obraz en sam vektor, za katerega se je v literaturi
uveljavilo ime supervektor. V fazi predstavitve določene
osebe SVM določi ločilno mejo med supervektorji te
osebe in supervektorji, ki pripadajo učnim slikam iz baze
sistema. V fazi testiranja pa se oseba sprejme ali zavrne
na podlagi lege supervektorja glede na ločilno mejo.
Poskuse smo izvedli na uveljavljeni zbirki 3D slik
FRGC (angl. face recognition grand challenge) [9]. Na
sliki 8 so prikazani dobljeni rezultati verifikacije v obliki
krivulje ROC (angl. receiver operating characteristic),
ki podaja delež sprejetih klientov (angl. true acceptance
rate) v odvisnosti od deleža sprejetih vsiljivcev (angl.
false acceptance rate).
10
−4
10
−3
10
−2
10
−1
10
0
0.4
0.5
0.6
0.7
0.8
0.9
1
FAR
T
A
R
ROC
GMM/UBM
PCA
Slika 8: Krivulja ROC obravnavanega sistema v primerjavi s
postopkom PCA
Obravnavani sistem se je pričakovano obnesel precej
bolje kot postopek PCA. To izhaja predvsem iz dejstva,
da modeli GMM obravnavajo vektorje lokalnih značilk.
S tem je dosežena večja robustnost na nenatančno loka-
lizacijo obrazov, izrazne spremembe in prekrivanja. Ti
faktorji pa so prisotni pri večini slik iz zbirke FRGC, ki
smo jo uporabili v poskusu.
7 SKLEP
V članku so predstavljeni sistemi za razpoznavanje 3D
slik obrazov. Opisan je celoten postopek razpoznavanja,
od zajetja slike do odločitve o identiteti osebe na sliki.
Izpostavljeno je delovanje takih sistemov v nenadzorova-
nem okolju, kjer na zanesljivost razpoznavanja vplivajo
različni spremenljivi dejavniki, ki so prisotni pri zajemu
slik. Na splošno se postopki razpoznavanja, ki temeljijo
na lokalnih značilkah, izkažejo za bolj robustne na te
dejavnike, kar potrjujejo tudi rezultati naših poskusov,
ki so omenjeni v članku.
ZAHVALA
Raziskovalno delo, ki je pripeljalo do predstavljenih re-
zultatov, je bilo delno financirano iz strani 7. Okvirnega
6 KRIŽAJ, ŠTRUC, DOBRIŠEK
programa EU (FP7-SEC-2010-1) v okviru sporazuma o
dodelitvi sredstev št. 261727 in bilateralnega projekta z
naslovom Hitro in zanesljivo razpoznavanje 3D obrazov
(BI-BG/11-12-007).