1. Uvod Razvoj sodobnih informacijskih tehnologij, interneta in zmeraj zmogljivejših računalnikov so le nekateri izmed dejavnikov, ki ljudem po vsem svetu omogočajo čedalje lažji dostop do najrazličnejših podatkovnih baz, uslug in storitev. Omogočajo nam opravljanje denarnih transakcij, dostop do osebnih podatkov, naročanje različnih potrdil ipd. Ker pa omenjena opravila nemalokrat zahtevajo potrditev identitete osebe, ki ta opravila izvaja, je skupaj z njimi nastala tudi potreba po hitrih, učinkovitih in do uporabnikov prijaznih mehanizmov za avtentikacijo oseb. Istovetenje oseb z razpoznavanjem obrazov ponuja univerzalen in nevsiljiv način potrjevanja identitete, vendar trenutno še ne dovolj zanesljivega, saj segajo tipične vrednosti celotne Prejet 23. november, 2006 Odobren 5. marec, 2007 146 Štruc, Pavešić napake (angl. Total Error Rate – TER) razpoznavanja obstoječih sistemov od dveh pa vse do 25 odstotkov. Zanesljivost samodejnega razpoznavanja obrazov je odvisna od številnih dejavnikov, med katerimi so najpomembnejši natančnost lokalizacije obraza in njena odpornost na slabšo kakovost slik, izbira ustreznega postopka izpeljave obraznih značilk ter uporaba primernega algoritma za izračun podobnosti in sprejetje odločitve o identiteti osebe na sliki. Ker temeljijo številne metode razpoznavanja obrazov na vizualnem učenju, je zanesljivost razpoznavanja v veliki meri odvisna tudi od kakovosti vhodnih (testnih) slik. Kadar se le-ta bistveno razlikuje od kakovosti slik, uporabljenih za učenje sistema, se zanesljivost razpoznavanja ustrezno zmanjša. Na tem mestu se postavlja vprašanje, katere spremembe v kakovosti slik najbolj vplivajo na zanesljivost razpoznavanja in kolikšen je njihov vpliv. Različni avtorji so se že v preteklosti posvečali tem problemom. Tako so Huan, Chiang in Lin [1] proučili vpliv šuma na zanesljivost istovetenja obrazov z značilkami, dobljenimi z analizo glavnih (PCA) ter analizo neodvisnih komponent (ICA), v [2] sta Kukula in Elliott ovrednotila zanesljivost komercialnega sistema za razpoznavanje obrazov za slike, ki so nastale pod različnimi svetlobnimi pogoji, učinek delnega prekrivanja obrazov na vrsto algoritmov razpoznavanja pa je bil predmet raziskovalnega dela v [3]. V nadaljevanju bomo predstavili biometrični sistem za samodejno razpoznavanje obrazov, s katerim smo ovrednotili vplive različnih degradacij vhodnih slik na zanesljivost razpoznavanja. V 3. poglavju bomo opisali slikovne baze in protokole, ki smo jih uporabljali pri preizkusih, vpliv spremenjene kakovosti testnih slik na delovanje posameznih delov sistema pa bomo na osnovi eksperimentalnih rezultatov ovrednotili v 4. poglavju. 2. Opis sistema Za izvajanje poskusov smo zgradili sistem za samodejno razpoznavanje obrazov, ki ga prikazuje slika 1. Zgrajen je iz naslednjih medsebojno povezanih funkcijskih enot: • enote za določitev in normalizacijo slikovnega območja obraza, • enote za izpeljavo obraznih značilk, ki temelji na postopkih PCA, LDA in ICA (arhitektura 1 in 2), • enote za izračun podobnosti med značilkami vhodne slike in modeli uporabnikov (shranjenimi v bazi sistema) ter • enote za združevanje izračunanih mer podobnosti in sprejetje odločitve o identiteti uporabnika. 2.1 Lokalizacija obraza Postopek določitve slikovnega območja obraza je v sistemu na sliki 1 izveden takole: • z detektorjem točk kožne barve se iz vhodne slike izločijo objekti, ki ne ustrezajo barvi kože, • očiščeni sliki se odvzame barvna informacija in izravna histogram, • s pomočjo Sobelovih gradientnih operatorjev se pridelata sliki vodoravnih in navpičnih robov, • prek integralnih projekcij dobljenih slik se izračuna kot nagiba obraza, slika pa se poravna, • s eliptično Houghovo transformacijo se omeji območje iskanja obraza, • lega obraza se določi na mestu, kjer je Hausdorffova razdalja med binarno sliko robnih elementov in modelom obraza najmanjša, • izrez obraza (8-bitna sivinska slika) se normalizira na standardno velikost 87x100 slikovnih elementov, • po velikosti normirana slika se fotometrično normalizira z odstranitvijo povprečne vrednosti svetilnosti izreza in skaliranjem slikovnih elementov z njihovo standardno deviacijo. Opisani postopek (podrobneje je predstavljen v [4]) izvedemo za vse učne slike sistema, ki so nato primerne za izpeljavo značilk s postopki, opisanimi v naslednjih razdelkih. 2.2 Analiza glavnih komponent – PCA Analizo glavnih komponent sta za razpoznavanje obrazov kot prva predlagala Turk in Pentland [5]. Postopek temelji na predstavitvi vhodne slike obraza x z linearno kombinacijo ortonormalnih vektorjev ei, ki jih določimo na podlagi učnih slik biometričnega sistema. Če vsebuje baza sistema N učnih slik, lahko poljubno sliko x zapišemo kot: ∑ = =+++= N i cccc 1 iiNN2211 ... eeeex . (1) Ortonormirane vektorje ei pri tem določimo s pomočjo transformacije Karhunena in Loéveja, ki je definirana kot postopek minimizacije srednje kvadratne napake (SKN) približnega zapisa vzorca. Izkaže se, da dosežemo najmanjšo SKN, če kot bazne vektorje ei izberemo lastne vektorje kovariančne matrike K učnih slik biometričnega sistema. Rešiti moramo torej sistem: 0)( ii =⋅− eIK λ . (2) Transformacijsko matriko postopka PCA nato sestavimo iz r lastnih vektorjev, ki ustrezajo r največjim lastnim vrednostim. Tako zajamemo v transformacijo (4), kar največ informacije o učnih vzorcih sistema: WPCA=[ TTT r21 ..., ,, eee ], (3) kjer vektorji ei (i = 1, 2, …, r) ustrezajo členom zaporedja λ1 ≥ λ2 ≥… ≥ λr [5]. Vpliv kakovosti vhodnih slik na zanesljivost samodejnega razpoznavanja obrazov 147 S tako določeno transformacijsko matriko WPCA lahko poljubno sliko x s pomočjo enačbe (4) preslikamo v prostor značilk c: )( PCA mxWc −= T . (4) V zgornji enačbi je m srednji vektor (povprečni obraz) učne množice slik sistema. 2.3 Analiza linearne diskriminante – LDA Drugače kot pri postopku PCA, kjer se vektorji ei določijo na podlagi variance učnih slik, se pri analizi linearne diskriminante (LDA) osi razvrstitve (1) izračunajo tako, da maksimizirajo naslednjo kriterijsko funkcijo: WSW WSW W W B )( T T J = , (5) kjer SB pomeni matriko med razredne razpršenosti (angl. between-class scatter matrix): ∑ = −−= C i T 1 iiiB ))(( mmmmS χ (6) in SW matriko znotraj razredne razpršenosti (angl. within-class scatter matrix): ∑ ∑ = ∈ −−= C i T i1 iiW .))(( χx mxmxS (7) V enačbah (6) in (7) pomeni mi povprečni vektor i-tega razreda, m povprečni vektor vseh učnih slik, C število razredov, |χi| število učnih slik razreda χi in x sliko iz učne množice slik. Iščemo torej transformacijsko matriko W, s katero zmanjšamo razdalje med projekcijami slik istih razredov (oseb) in hkrati povečamo razdalje med projekcijami slik različnih razredov. Pokažemo lahko, da ustreza transformacijska matrika WLDA postopka LDA množici lastnih vektorjev izraza: iiiB 1 W eeSS λ= − . (8) Kadar je število slik, uporabljenih za izračun matrike znotraj razredne razpršenosti, manjše od njihove dimenzije, je matrika SW singularna. V tem primeru uporabimo različico postopka LDA [6], pri katerem matriki SB in SW najprej preslikamo v prostor glavnih komponent, sistem (8) pa nato rešimo v novem, manj razsežnem prostoru. Transformacijsko matriko tako prilagojenega postopka na koncu določimo v skladu z naslednjim izrazom: TTT PCALDALDAPCA WWW =+ . (9) Značilke poljubne slike x tudi tokrat izračunamo s pomočjo enačbe (4), v kateri matriko WPCA nadomestimo z matriko WPCA+LDA. 2.4 Analiza neodvisnih komponent – ICA Analizo neodvisnih komponent lahko obravnavamo kot posplošitev postopka PCA, pri čemer upoštevamo poleg statističnih momentov drugega reda (PCA) še višje statistične momente, ki naj bi vsebovali več informacije o ločljivosti razredov. Tekom časa sta se razvila dva pristopa k izvedbi postopka: ICA1 ter ICA2 [7]. V prvem primeru iščemo neodvisne komponente v obliki slik, v drugem pa v obliki neodvisnih koeficientov ci linearne kombinacije (1). S postopkom ICA želimo poiskati linearno transformacijo, s katero lahko izrazimo množico N naključnih spremenljivk xi kot linearno kombinacijo N statistično neodvisnih izvornih spremenljivk si: NjN2i1i ... sssx 21i aaa +++= (10) oziroma v matrični obliki: ASX = . (11) V našem sistemu smo za določitev neznanih parametrov modela (11) uporabili algoritem FastICA. ICA – arhitektura 1 Postopek določitve obraznih značilk z ICA1 lahko strnemo v naslednje korake: Slika 1: Bločni diagram eksperimentalnega sistema za samodejno razpoznavanje obrazov Figure 1. Block diagram of the experimental setup for automatic face recognition 148 Štruc, Pavešić • na podlagi učnih slik se določi transformacijska matrika WPCA (3), • izračunajo se značilke cPCA postopka PCA (4), • na matriki WPCA se izvede algoritem FastICA, • iz značilk cPCA se izračunajo značilke cICA1: .PCAICA1 Acc ⋅= (12) Za postopek ICA1 je značilno, da išče izvorne spremenljivke S v obliki neodvisnih slik obrazov. Značilke, ki jih te slike opisujejo, so lokalne narave. ICA – arhitektura 2 Potek izračuna značilk po drugi arhitekturi postopka ICA je precej podoben poteku določitve značilk, predstavljenemu v prejšnjem razdelku: • izračuna se transformacijska matrika WPCA (3) in matrika značilk učnih slik sistema cPCA (4), • na matriki cPCA se izvede algoritem FastICA, • koeficienti razvrstitve ICA2 se določijo kot: T PCAICA2 cc 1A ⋅−= . (13) Kot lahko razberemo iz enačbe (13), moramo za določitev značilk poljubne slike x najprej izračunati koeficiente razvrstitve PCA, ki jih nato pomnožimo z inverzom matrike A. 2.5 Izračun podobnosti in odločanje Podobnost med vektorjem značilk vhodne slike c in modelom (srednjim vektorjem značilk µi) poljubnega uporabnika merimo z normiranim korelacijskim koeficientom [8]: .),( i i iN µcµc µc µc TT T s = (14) Če je vrednost normiranega korelacijskega koeficienta (14) večja od praga, potem osebi na vhodni sliki potrdimo identiteto, sicer pa ne. Odločitev o identiteti osebe na vhodni sliki lahko sprejmemo tudi na podlagi podobnosti, ki jih dobimo z združevanjem mer posameznih predstavitev (sNpca, sNlda, sNica1, sNica2). V sistemu smo za namene preizkušanja robustnosti razpoznavanja realizirali štiri postopke fuzije na ravni podobnosti, in sicer: fuzijo s pravilom vsote, s pravilom produkta, s pravilom najmanjše vrednosti ter fuzijo s pravilom največje vrednosti [8]. 3. Uporabljene baze in protokoli Učinkovitost delovanja posameznih enot predstavljenega sistema smo preizkusili s pomočjo slikovnega dela baze XM2VTS, ki smo jo v skladu s prvo konfiguracijo lausannskega protokola razdelili v nize učnih, testnih ter evaluacijskih slik. Z učnim nizom smo zgradili modele uporabnikov, z evalvacijskim nizom smo določili pragove, potrebne za odločitev o identiteti osebe na sliki, testni niz pa smo uporabili za določitev zanesljivosti razpoznavanja. Vpliv kakovosti testnih slik na delovanje sistema smo ovrednotili s pomočjo desetih degradiranih različic baze XM2VTS, ki so nastale z uporabo naslednjih degradacijskih postopkov: • D1 - simulacijo izgubljanja podatkovnih paketov, • D2 - dodajanjem močnega belega šuma, • D3 - dodajanjem šibkega belega šuma, • D4 - dodajanjem kompleksnega ozadja, • D5 - JPEG kompresijo, • D6 - zmanjšanjem barvne globine, • D7 - glajenjem z 2D Gaussovim filtrom za σ = 2, • D8 - glajenjem z 2D Gaussovim filtrom za σ = 4, • D9 - geometrijskimi transformacijami ter • D10 - delnim prekrivanjem obraza. Podrobnejši opis vseh uporabljenih baz in protokolov je na voljo v [9, 10]. 4. Opis poskusov in rezultati 4.1 Prvi poskus Ker je zanesljivost razpoznavanja v veliki meri odvisna od pravilne lokalizacije obraza na sliki, smo pri prvem poskusu preverili uspešnost uporabljenega postopka določevanja slikovnega območja obraza na originalni in na degradiranih bazah. Pri tem smo za testiranje uporabili tiste slike iz baze, ki jih za preizkušanje določa prva konfiguracija lausannskega protokola Na originalni bazi smo uspešno določili lego obraza na 97,8 odstotka preizkušenih slikah, kar je primerljivo tudi z rezultati drugih raziskovalcev. Na istih slikah so Jesorsky et. al [11] s podobno metodo dosegli 98,4 odstotno uspešnost lokalizacije, Pozne pa s postopkom predstavljenim v [12] celo 99,9 odstotno. Iz tabele 1, v kateri so predstavljeni rezultati (v %) lokalizacije slikovnega območja obraza za degradirane baze, lahko razberemo, da je uporabljeni postopek lokalizacije na podlagi Hausdorffove razdalje razmeroma neobčutljiv na spremembe v kakovosti slik, kot so šum, glajenje, kompresija, zmanjšanje barvne globine ipd. Občutljivost pa je na degradacije, ki vnašajo v slike robnih elementov dodatne, nezaželene robove (npr. izguba paketov informacije, delno prekrivanje obraza, prisotnost kompleksnega ozadja itd.). Degradacija D1 D2 D3 D4 D5 Uspešnost 80,7 95,3 96,2 89,9 96,1 Degradacija D6 D7 D8 D9 D10 Uspešnost 95,8 96,0 94,6 81,4 89,6 Tabela 1: Rezultati preizkušanja lokalizacije Table 1. Localisation procedure performance Vpliv kakovosti vhodnih slik na zanesljivost samodejnega razpoznavanja obrazov 149 4.2 Drugi poskus V drugem poskusu smo preverili zanesljivost razpoznavanja z značilkami postopkov PCA, LDA, ICA1 in ICA2 ter vpliv kakovosti slik na postopke fuzije (razdelek 2.5). Pri tem smo uporabili pragove, ki smo jih določili pri učenju sistema z originalno bazo, s čimer smo simulirali razmere, ki jih srečamo tudi v praksi, ko se testne slike zaradi spremenjenih razmer pri njihovem zajemu razlikujejo od slik, uporabljenih za učenje sistema. Ker smo želeli proučiti vpliv kakovosti testnih slik na zanesljivost razpoznavanja obrazov z različnimi metodami izpeljave značilk, smo v tem delu vse nepravilno lokalizirane obraze nadomestili z obrazi, katerih lego smo določili ročno. Za vsako od enajstih baz smo izračunali vrednost napake zavrnitve prave osebe (FRR), vrednost napake potrditve lažne osebe (FAR) in vrednost polovične napake verifikacije (HTER), ki jo določimo kot srednjo vrednost napak FRR in FAR. V tabeli 2 so podane vrednosti napake HTER za vse preizkušene postopke izpeljave značilk. Podrobnejša predstavitev rezultatov (napak FRR in FAR ter vrednosti HTER za pravila fuzije) pa je dosegljiva v [4]. Kot smo pričakovali, so se kot najučinkovitejše med vsemi značilkami izkazale značilke postopka LDA, s katerimi smo na originalni bazi dosegli napako verifikacije HTER=4,37%. Nekoliko slabše so se odrezale značilke ICA2, kjer smo polovično napako verifikacije določili pri 6,59%. Z značilkami PCA ter ICA1 smo dobili napaki 10,29% oziroma 9,19%. Med pravili za združevanje mer podobnosti smo na originalni bazi dosegli najboljše rezultate z uporabo pravila najmanjše vrednosti, katerega napaka je znašala HTER=4,49%. Sledijo mu pravilo vsote s HTER =5,00%, pravilo produkta s HTER = 6,58% ter pravilo največje vrednosti s polovično napako verifikacije 7,89%. Opazimo lahko, da postopki fuzije na originalni bazi niso prinesli izboljšav v primerjavi s postopkom LDA. Rezultati so pri pravilu vsote in najmanjše vrednosti približno enaki, pri pravilu produkta ter največje vrednosti pa so celo nekoliko slabši. Vzrok takšnih rezultatov je dejstvo, da značilke posameznih predstavitev (PCA, LDA in ICA) med seboj niso neodvisne in torej z združevanjem mer podobnosti ne pridobimo nove informacije o ločljivosti posameznih razredov. Ugotovili smo, da se vsi postopki približno enako odzivajo na spremembe v kakovosti testnih slik. Tako je bilo razpoznavanje v vseh primerih razmeroma neobčutljivo na degradacije, kot so šum (D2, D3), JPEG kompresija (D5) in glajenje (D7, D8). Večji vpliv pa se je pokazal pri zmanjšanju barvne globine slik (D6), prisotnosti kompleksnega ozadja (D4) in geometrijskih transformacij (D9) in pri izgubi paketov informacije (D1) in prekrivanja obraza (D10), kjer se je napaka občutno povečala. Čeprav postopki fuzije niso bistveno izboljšali rezultatov razpoznavanja na posameznih bazah, pa je tako pravilo vsote kot tudi pravilo najmanjše vrednosti doprineslo k večji robustnosti razpoznavanja. Povprečna vrednost HTERmean prek vseh enajstih preizkušenih baz se je v prvem primeru zmanjšala iz 9,13% (LDA) na 7,44% (MIN), v drugem pa na 8,5% (SUM) (slika 2). 4.3 Tretji poskus V zadnjem poskusu smo preverili še zanesljivost samodejnega razpoznavanja obrazov, pri katerem sistem na vhodni sliki povsem samodejno lokalizira obraz, njegovo slikovno področje normalizira ter osebi na sliki potrdi (oz. ne potrdi) identiteto. Vnovič smo izračunali vrednosti napak HTER, ki so za vse realizirane postopke izpeljave značilk podane v tabeli 3. Med vsemi preizkušenimi postopki razpoznavanja se je na degradiranih slikah kot najučinkovitejše izkazalo združevanje mer podobnosti s pravilom najmanjše vrednosti (tabela 4), s katerim smo na originalni bazi dosegli napako HTER=5,36% ter povprečno napako prek vseh uporabljenih baz HTERmean=9,69% (slika 2). Kot pri razpoznavanju s pravilno lokaliziranimi obrazi se je tudi tokrat izkazalo, da je sistem najbolj občutljiv na izgubo paketov informacije, prisotnost kompleksnega ozadja, zmanjšanje barvne globine, geometrijske HTER (%) Degradacije PCA LDA ICA1 ICA2 Brez 10.29 4.37 9.19 6.59 D1 16.82 17.62 16.21 15.10 D2 10.26 5.09 9.75 7.96 D3 9.87 4.73 9.69 8.17 D4 12.07 6.14 11.29 8.97 D5 9.99 4.25 9.47 6.71 D6 12.00 6.74 11.41 9.38 D7 10.85 4.53 9.83 6.37 D8 12.11 4.73 11.39 7.26 D9 13.38 6.96 12.52 8.80 D10 42.30 35.34 38.85 28.50 Tabela 2: Vpliv kakovosti slik na zanesljivost razpoznavanja z različnimi značilkami Table 2. Impact of image degradations on face recognition accuracy with different face features 78 80 82 84 86 88 90 92 94 PCA LDA ICA1 ICA2 SUM PROD MIN MAX Uporabljeni postopek P ov pr eč na vr ed no st us pe šn os ti ve rif ik ac ije (% ) Avtomatsko lokalizirani obrazi Ročno lokalizirani obrazi Slika 2: Povprečne vrednosti uspešnosti verifikacije Figure 2. Average recognition rates 150 Štruc, Pavešić HTER (%) Degradacije PCA LDA ICA1 ICA2 Brez 10.98 5.21 9.91 7.21 D1 23.94 24.55 23.26 20.70 D2 11.01 6.05 10.47 8.58 D3 10.69 5.81 10.53 8.54 D4 14.45 8.86 13.84 11.47 D5 11.31 5.72 10.79 7.95 D6 13.46 7.94 12.87 10.25 D7 12.39 5.87 11.30 7.74 D8 13.67 5.82 12.71 8.88 D9 20.06 16.19 19.76 17.99 D10 42.20 35.52 36.99 29.23 Tabela 3: Vpliv kakovosti slik na zanesljivost razpoznavanja z različnimi značilkami Table 3. Impact of image degradations on face recognition accuracy with different face features transformacije ter delno prekrivanje obraza. V naštetih primerih se je v sistemu povečalo število zavrnjenih vsiljivcev, kot tudi število zavrnjenih uporabnikov. Velika napaka HTER pa je hkrati tudi posledica nepravilno določenega slikovnega območja obraza, saj je bila uspešnost postopka lokalizacije prav v teh primerih med manjšimi. Razlike med najuspešnejšim postopkom fuzije (MIN) ter najuspešnejšim posamičnim postopkom (LDA) so tokrat nekoliko večje, kot tedaj, ko smo uspešnost verifikacije preizkušali na ročno lokaliziranih obrazih. Večja učinkovitost fuzije pri samodejnih biometričnih sistemih je posledica dejstva, da lahko s kombinacijo različnih mer podobnosti nekoliko kompenziramo vpliv nepravilno določene lege obraza, napaka verifikacije HTER pa se s tem ustrezno zmanjša. Povzamemo lahko, da je uporaba fuzije v sistemih za samodejno razpoznavanje obrazov upravičena, čeprav pri preizkušanju na idealnih slikah z njo ne dosežemo bistvenega izboljšanja rezultatov. 5. Sklep Glavni prispevek pričujočega dela je v ovrednotenju vpliva kakovosti vhodnih slik na zanesljivost samodejnega razpoznavanja obrazov. Razvili in preizkusili smo biometrični sistem, ki na digitalni sliki poišče obraz ter preveri identiteto osebe na njej. Nato smo proučili vpliv različnih degradacij slik na uspešnost postopka lokalizacije, na zanesljivost verifikacije z različnimi značilkami in kriteriji odločanja (fuzija) ter na zanesljivost razpoznavanja sistema kot celote. Ugotovili smo, da so vsi preizkušani postopki razmeroma neobčutljivi na prisotnost šuma, glajenje slike in JPEG kompresijo, medtem ko izkazujejo večjo občutljivost na degradacije, kot so prekrivanje obraza, izguba paketov informacije, prisotnost kompleksnega ozadja in geometrijske transformacije. 6. Literatura [1] P.S. Huang, C. Chaing, Y. Lin, The Evaluation of Noise Immunity for PCA and ICA in Face Recognition, J. C.C.I.T., vol. 33, no. 1, 2004. [2] E.P. Kukula, S.J. Elliott, Evaluation of a Facial Recognition Algorithm Across Three Illumination Conditions, AESM, vol. 19, no. 9, pp. 19-23, 2004. [3] J. Kim, J. Choi, J. Yi, M. Turk, Effective Representation Using ICA for Face Recognition Robust to Local Distortion and Partial Occlusion, PAMI, vol. 27, no. 12, pp. 1977-1981, 2005. [4] Domača stran laboratorija LUKS, http://luks.fe.uni- lj.si/sl/osebje/vitomir/pub/seminar.pdf [5] M. Turk, A. Pentland, Eiegnfaces for Recognition, Journal of Cognitive Neuroscience, vol. 3, no.1, pp. 71-86, 1991. [6] P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman, Eigenfaces vs. Fisherfaces, PAMI, vol. 19, no. 7, pp. 711-720, 1997. [7] M. Bartlett, T. Sejnowski, Independent components of face images, PAJSNC, 1997. [8] J. Czyz, J.Kittler, L. Vandendorpe, Multiple Classifier for face-based identity verification, PR, vol. 37, no. 7, pp. 1459-1469, 2004. [9] Domača stran podatkovne baze M2VTS in Lausannski prot. : http://xm2vtsdb.ee.surrey.ac.uk/ [10] N. Pavešić, I. Fratrić, S. Ribarić., Degradation of the XM2VTS Database Face Images, Biometrics on the Internet - proceedings. Vigo (Spain): University of Vigo, pp. 17-21, 2004. [11] O. Jesorsky, K. J. Kirchberg, R. W. Frishholz, Robust Face Detection Using the Hausdorff Distance. PIC AVBPA, LNCS-2091, pp. 90-95, Springer, Halmstad, 2001. [12] A. Pozne, Pridobivanje vizualnih značilk za samodejno razpoznavanje govora, doktorska disertacija, FE, Univerza v Ljubljani, 2005. Vitomir Štruc je mladi raziskovalec na Fakulteti za elektrotehniko Univerze v Ljubljani. Raziskovalno se ukvarja s področjem razpoznavanja obrazov. Nikola Pavešić je redni profesor na Fakulteti za elektrotehniko Univerze v Ljubljani. Področje njegovega raziskovalnega dela zajema razpoznavanje vzorcev, obdelavo slik, razpoznavanje in razumevanje govora ter teorijo o informacijah. Degradacija D1 D2 D3 D4 D5 HTER (%) 18.16 4.30 5.32 8.15 4.84 Degradacija D6 D7 D8 D9 D10 HTER (%) 6.80 4.68 6.37 13.55 29.09 Tabela 4: Vpliv kakovosti slik na zanesljivost razpoznavanje s pravilom najmanjše vrednosti Table 4. Impact of image degradations on face recognition accuracy with minimum fusion rule