Белов Никита Игоревич — главный специалист
Санкт-Петербург, 196084
Nikita I. Belov — Chief Specialist
Saint Petersburg, 196084
Ермак Максим Андреевич — ведущий специалист
Санкт-Петербург, 196084
Maxim A. Ermak — Leading Specialist
Saint Petersburg, 196084
Дубинич Евгений Александрович — инженер
Санкт-Петербург, 197101
Evgeny A. Dubinich — Engineer
Saint Petersburg, 197101
Кузнецов Александр Юрьевич — кандидат технических наук, доцент
Санкт-Петербург, 197101
sc 57195326635
Alexander Y. Kuznetsov — PhD, Associate Professor
197101, Saint Petersburg
Предмет исследования. Представлено исследование методов выделения локальных признаков на изображении применительно к задаче аутентификации человека по термограмме лица. Сформированы выборки фотоизображений и изображений лиц в дальнем инфракрасном диапазоне. Новизна исследования состоит в особенностях выборки изображений в реальных условиях, оказывающих влияние на качество аутентификации, таких как мимика, ношение очков или медицинской маски, нанесение грима/косметики, различная освещенность и температурные условия окружающей среды, повороты головы. Методы. Основа исследуемых методов заключается в построении вектора признаков изображения при сокращении размерности и выделении границ. Подобные методы решают задачи выделения признаков на изображениях, при аутентификации по 2D-изображению лица и при использовании компьютерного зрения. Применены классические методы выделения локальных признаков изображения: метод локально-бинарных шаблонов, вейвлеты Габора, масштабноинвариантная трансформация признаков, локальный дескриптор Вебера. В качестве классификаторов для векторов признаков изображений приняты базовые методы машинного обучения: метод опорных векторов и простейший персептрон. Основные результаты. Обучение и тестирование методов выполнено на наборе, состоящем из 632 тысяч изображений лиц 158 человек. В качестве метрики для оценки качества сопоставления выбранных методов использована точность. В результате для метода локально-бинарных признаков наиболее высокие значения точности соответствуют: термограммам лиц — 0,57 (для метода обучения опорных векторов) и 0,58 (для простейшего персептрона), фотоизображениям — 0,71 и 0,73 соответственно. Использование метода масштабно-инвариантной трансформации признаков показало схожие результаты: для термограмм лиц — 0,58 и 0,55, для фотоизображений — 0,72 и 0,74. Применение вейвлеты Габора и локального дескриптора Вебера показало низкие значения точности в задаче аутентификации для обоих типов изображений. Практическая значимость. Результаты работы могут найти применения в системах контроля и управления доступом для повышения отказоустойчивости аутентификации лиц. Использование рассмотренных методов эффективно в задачах обработки термограмм для аутентификации человека по так называемым «вторичным» признакам, например, по рисунку его вен и сосудов на лице, в случаях изменения мимики и внешности.
The paper presents a methods of image local features extraction research in relation to people authentication problem by face thermogram. As a part of the study, there were formed two datasets for methods training and testing: photographic images and face images in the long-wavelength infrared specter (LWIR) with various factors. The novelty of this study is due to the approach to collecting datasets to verify the accuracy of authentication methods. The dataset was collected with more realistic conditions that affect the quality of authentication, such as changing facial expressions, wearing glasses, medical masks, applying make-up/cosmetics, changing the lighting and temperature conditions of the environment, rotating the head. The methods core is based on the idea of constructing a vector of image features while reducing the dimension and highlighting the boundaries. Likewise, the methods of this group cope well with extracting features task on images and are widely used in the tasks of authentication by 2D face image, as well as in other computer vision tasks. In this paper, four classical methods of local feature extraction are considered: the method of locally binary templates, Gabor wavelets, scale-invariant feature transformation, and Weber’s local descriptor. The classifiers for the feature vectors comparison in this research are SVM and the simplest Perceptron — the basic methods of machine learning. As part of the study, a comparative analysis of each method was carried out in relation to the collected datasets. The methods were trained and tested on a collected face dataset of over 632,000 images of 152 people. As a result of the comparative analysis, it can be concluded that the method of local binary features demonstrates the best result among the considered methods for both types of data: for face thermograms (for SVM — 0,57, for Perceptron — 0,58), for photographic images (for SVM — 0,71, for Perceptron — 0,73). Furthermore, the SIFT method showed similar results: for face thermograms (for SVM — 0,58, for Perceptron — 0,55), for photographic images (for SVM — 0,72, for Perceptron — 0,74). Gabor filters and Weber local descriptor application demonstrate a low accuracy rate in the authentication task by both types of data. The results of the work can be used in access control and management systems to increase the fault tolerance of person authentication. The appliance of the considered methods are effective in the tasks such as processing thermograms for authentication a person by so-called “secondary” signs, for example, by the veins and vessels on face patterns, in cases of facial expressions and appearance changes.
The authors declare that there are no conflicts of interest present.