Гибридные методы распознавания лиц объединяют в себе последние достижения в области искусственного интеллекта и машинного обучения. Они основаны на сочетании нескольких методов распознавания.
Это может быть объединение математических моделей, описывающих антропометрические признаки лица, и искусственной нейронной сети с нечеткой логикой, генетического алгоритма и искусственного интеллекта или нескольких видов биометрической идентификации (отпечаток пальца + лицо, голос+сетчатка глаза).
Гибридные решения распознавания значительно повышают вероятность распознавания людей, скорость обучения и определения структуры модели лица при использовании этих технологий намного выше.
Гибридные решения помогут повысить безопасность и упростить контроль в розничной торговле, на промышленных и производственных предприятиях, в офисных зданиях и бизнес-центры, в банках, аэропортах и т. д.
Еще один пример — исследование института IRTT (Institute of Road and Transport Technology) в Индии. Проект «Новая искусственная нейронная сеть и гибридный подход на основе 2D-PCA для распознавания лиц» нацелен на разработку комплексного решения для улучшения качества распознавания лиц.
В основе — новый тип нейронных сетей для анализа видеопотока, который позволит свести к нулю процент ошибок в работе систем распознавания.
Так, в этом гибридном подходе к распознаванию лиц корреляция статистических показателей, подход к распознаванию лиц, основанный на статистическом внешнем виде, двумерный анализ главных компонент (2DPCA) и нейронная сеть обратного распространения (BPN) для классификации и распознавания, объединены вместе.
В рамках комбинированного подхода, во-первых, было проведено детальное корреляционное исследование стандартных баз данных, таких как Yale face database и Face database технологии распознавания лиц.
На основе корреляционного теста были выбраны обучающий набор и тестовый набор. Затем векторы признаков, основанные на расстоянии, были извлечены с использованием метода 2DPCA.
Используя эти векторы признаков, основанные на расстоянии, лица были классифицированы и сгруппированы с помощью хорошо обученного BPN.
Судя по результатам эксперимента, наш комбинированный подход — автоматическая перегруппировка на основе корреляции и классификатор 2DPCABPN — превзошел предыдущий подход дублирования изображений лиц на основе корреляционного исследования и других статистически обоснованных методов распознавания лиц.
В частности, таких как собственное лицо, анализ главных компонент ядра, дискриминантный анализ Фишера, анализ независимых компонентов и 2DPCA, в котором использовался kNN, мера косинусного сходства и классификаторы SVM.
Несмотря на большое разнообразие представленных алгоритмов, можно выделить общую структуру процесса распознавания лиц.
На первом этапе производится детектирование и локализация лица на изображении. На втором — выравнивание изображения лица (геометрическое и яркостное), вычисление признаков и непосредственно распознавание, то есть сравнение вычисленных признаков с заложенными в базу данных эталонами.
Затем система запускает второй заложенный алгоритм: создание математической модели по полученному отпечатку лица или идентификацию по отпечатку пальца, паролю и картам радиочастотной идентификации.
Результаты работы двух алгоритмов совмещаются для получения более точной информации.
Основное отличие гибридных решений — вычисление признаков и сравнение их между собой. Несколько алгоритмов производят вычисления, анализируют информацию и обрабатывают данные как последовательно, так и параллельно.
Гибридный подход к распознаванию лиц позволяет полностью избавиться или свести к приемлемому минимуму недостатки (недостаточную скорость или точность работы) каждого из метода распознавания по отдельности.
Сегодня можно смело сказать, что гибридный метод имеет особый статус среди всех систем распознавания лиц, поскольку такие решения заимствуют лучшее из всех систем биометрии, совмещая их преимущества в одной унифицированной технологии.
Качество работы таких решений находится на высоком уровне, но всё-таки в их работе допускается определенный (пусть и относительно небольшой) процент ошибок.
Доведя качество их работы до совершенства, станет возможным гарантировать полную безопасность для всех заинтересованных сторон в экосистеме обеспечения безопасности.
Однако для достижения этой цели необходимо развитие ряда технологий до уровня, который позволит полностью исключить ошибки и ложные срабатывания. На это потребуется определенное время. Но результат будет того стоить!
